（这与我的（到目前为止未回答的）最后一个问题有关）
我想使用残差自举来检查适合一系列环境测量的模型的不确定性和稳健性。我对数据噪声的结构几乎一无所知。它似乎是异方差的，并且在某些情况下可能（！）是自相关的（我有几个不同的数据集）。在这种情况下，最简单的狂野引导程序（以 50% 的概率切换残差符号）是否有效，或者由于可能的自相关，我是否必须依靠更难实现的方法，例如（移动）块引导程序？
如果我完全偏离轨道，请阻止我；虽然引导的想法或多或少容易理解，但许多可用的变体对于新手来说非常混乱。
/edit：要明确一点：我想重新采样残差（作为误差的估计），而不是时间序列本身。
你读过这篇论文吗：
Cameron, AC, Gelbach, JB 和米勒, DL (2008)。基于引导程序的聚类错误推理改进。经济与统计评论，90 (3), 414–427。https://doi.org/10.1162/rest.90.3.414
对于怀疑集群时的狂野引导，这可能是最全面的审查。基本上是的，您可能必须使用块野生引导。幸运的是，在 R 的multiwayvcov( cluster.boot()function) 和clusterSEs包 ( cluster.wild.glm()function) 中实现了 block wild bootstrapping。