On Smoothing and the Bootstrap
平滑与自助法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：摘要明确以分位数估计量的方差估计为核心例子，直接涉及分位数推断。
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…
平滑与自助法
- 研究问题
- 平滑自助法何时仅带来二阶改进，何时能因分布局部性质的重要性而提高收敛速率，尤其对分位数方差估计？
- 方法与思路
- 作者区分向量均值函数等问题与依赖分布局部性质的问题，以分位数估计量的方差估计说明平滑效果和调参原则。
- 材料陈述的贡献
- 摘要称，适当平滑可使分位数方差估计的速率由 n^{-1/4} 提高到任意 ε>0 对应的 n^{-1/2+ε}。
- 阅读关注点
- 核对速率对应的误差度量、分位点附近的分布条件，以及平滑参数如何选择，并区分一阶速率与二阶改进。
- 阅读边界
- 仅依据版本未注明的 OpenAlex 索引摘要；具体平滑条件与参数公式未提供，不能将分位数方差估计的速率改进推广至所有自助问题。
原文摘要
Recent attention has focussed on possible improvements in performance of estimators which might flow from using the smoothed bootstrap. We point out that in a great many problems, such as those involving functions of vector means, any such improvements will be only second-order effects. However, we argue that substantial and significant improvements can occur in problems where local properties of underlying distributions play a decisive role. This situation often occurs in estimating the variance of an estimator defined in an $L^1$ setting; we illustrate in the special case of the variance of a quantile estimator. There we show that smoothing appropriately can improve estimator convergence rate from $n^{-1/4}$ for the unsmoothed bootstrap to $n^{-(1/2) + \varepsilon}$, for arbitrary $\varepsilon > 0$. We provide a concise description of the smoothing parameter which optimizes the convergence rate.