<div dir="ltr"><div style="font-family:arial,sans-serif;font-size:13.3333330154419px"><span style="font-size:13.3333330154419px">Hi everyone!</span><br style="font-size:13.3333330154419px"><br style="font-size:13.3333330154419px"><div style="font-size:13.3333330154419px"><font face="arial, sans-serif">Our speaker this Wednesday (10/22) at Applied Stats will be <b><i>Victor Chernozhukov, </i></b></font>who will be practicing his job talk<font face="arial, sans-serif">.  </font>Brandon will be giving a talk entitled <b><i>Gaussian Approximations, Bootstrap, and Z-estimators when p&gt;&gt;n.  </i></b><font face="arial, sans-serif">The abstract for the talk is included below. As per usual, we will meet in CGIS K354 at noon and lunch will be served.</font></div><div style="font-size:13.3333330154419px"><br></div><div style="font-size:13.3333330154419px">I look forward to seeing you all there! <span style="font-family:arial;font-size:small">Thank you!</span></div><br style="font-size:13.3333330154419px"><span style="font-size:13.3333330154419px">-- Dana Higgins</span><br></div><div><span style="font-size:13.3333330154419px"><br></span></div><div style="font-family:arial,sans-serif;font-size:13.3333330154419px"><br></div><div style="font-family:arial,sans-serif;font-size:13.3333330154419px"><br></div><div style="font-family:arial,sans-serif;font-size:13.3333330154419px">Title: Gaussian Approximations, Bootstrap, and Z-estimators when p &gt;&gt; n.</div><div style="font-family:arial,sans-serif;font-size:13.3333330154419px"><br></div><span style="font-family:arial,sans-serif;font-size:13.3333330154419px">Abstract: We show that central limit theorems hold for high-dimensional normalized means hitting high-dimensional rectangles. These results apply even when p&gt;&gt; n. These theorems provide Gaussian distributional approximations that are not pivotal, but they can be consistently estimated via Gaussian multiplier methods and the empirical bootstrap. These results are useful for building confidence bands and for multiple testing via the step-down methods. Moreover, these results hold for approximately linear estimators. As an application we show that these central limit theorems apply to normalized Z-estimators of p&gt; n target parameter in a class of problems, with estimating equations for each target parameter orthogonalized with respect to the nuisance functions being estimated via sparse methods. (This talk is based primarily on the joint work with Denis Chetverikov and Kengo Kato.)</span></div>