摘要: Wild Bootstrap是一种适用于回归方程中存在异方差性时的再取样方法。通过使用恰当的权重分布,Feng et al.(2011)提供了对于分位数回归模型有效的wild bootstra法。根据他们的研究,我们类似的考虑了一类权重分布,从而使得适用于线性回归方程M估计量的wild bootstrap法渐进有效。我们通过线性回归Huber估计量的模拟研究,比较了不同bootstrap方法并验证了wild bootstrap 方法在有限样本下的有效性。通过运用一种简单有限样本统计量对wild bootstrap加以修正,那么,对于存在异方差性的且基于固定设计的回归模型而言,wild bootstrap应当成为首选的重复抽样法。