Higher-order coverage errors of batching methods via Edgeworth expansions on t-statistics
利用t统计量的Edgeworth展开分析分批方法的高阶覆盖误差AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要属于通用模拟与置信区间覆盖理论，未明确对应所列领域细分。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
利用t统计量的Edgeworth展开分析分批方法的高阶覆盖误差
- 研究问题
- 不同分批推断方法的高阶覆盖误差如何比较，批次数量怎样影响覆盖表现，是否存在一致优于其他方法的选择？
- 方法与思路
- 作者针对t统计量建立Edgeworth型展开，并给出通过蒙特卡洛模拟估计覆盖误差展开系数的算法。
- 材料陈述的贡献
- 摘要称，覆盖误差与批次数量通常非单调，各方法没有一致优势；批次数量较大时分段刀切法的覆盖表现最好。
- 阅读关注点
- 应核对展开的正则条件、样本量和批次数的渐近关系，以及末项比较结论的范围；误差项阶数需对照原文确认。
- 阅读边界
- 仅据版本未注明的OpenAlex摘要；误差项文字可能缺失上标，不能据此重构阶数。“覆盖最好”的条件和标准需查原PDF。
原文摘要
While batching methods have been widely used in simulation and statistics, their higher-order coverage behaviors and relative advantages in this regard remain open. We develop techniques to obtain higher-order coverage errors for batching methods by building Edgeworth-type expansions on t-statistics. The coefficients in these expansions are intricate analytically, but we provide algorithms to estimate the coefficients of the n−1 error terms via Monte Carlo simulation. We provide insights on the effect of the number of batches on the coverage error, where we demonstrate generally nonmonotonic relations. We also compare different batching methods both theoretically and numerically, and argue that none of the methods is uniformly better than others in terms of coverage. However, when the number of batches is large, sectioned jackknife has the best coverage among all.