Wild Bootstrap for Regression Inference

Wild bootstrap er en resamplingmetode for regresjonsmodeller med heteroskedastiske feil, introdusert av Wu (1986) og forbedret av Davidson og Flachaire (2008). Den bygger en bootstrap-fordeling ved å skalere hver tilpassede residual med et tilfeldig fortegn, slik at standardfeil og konfidensintervaller forblir gyldige når feilvariansen ikke er konstant eller dataene er gruppert.