Antithetic resampling for the bootstrap
Bootstrap的对偶重抽样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：摘要提供通用重抽样方法，提及分位数估计不足以认定为微观分布效应研究。
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
Bootstrap的对偶重抽样
- 研究问题
- 在Bootstrap偏差、分布函数或分位数估计中，能否通过相关的重抽样设计，在相同工作量下提高统计效率？
- 方法与思路
- 作者按某个数据函数的值排序构造对偶排列，把B次均匀重抽样转换为2B次有效重抽样，并比较估计表现。
- 材料陈述的贡献
- 摘要称，对偶重抽样相较普通均匀重抽样，在相同工作量下带来不可忽略的表现改善，并可用于多类估计任务。
- 阅读关注点
- 应核对排序函数和对偶排列的构造、效率比较的损失标准、适用统计量范围，以及工作量如何计量。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；未给出效率增益数值与完整适用条件，不能将改善视为普遍保证或推断刊本变化。
原文摘要
An antithetic variates method for the bootstrap is proposed and discussed. It is applicable quite generally, to bias estimation, distribution function estimation and quantile estimation, for example. It is based on an ‘antithetic permutation’ of the sample, which amounts to ranking values of a certain function of the data. Once this has been done B uniform resampling operations may be immediately converted into 2B ‘effective’ resampling operations, yielding greater statistical efficiency than 2B totally independent resampling operations. We show that antithetic resampling leads to positive nonnegligible gains in performance, for the same level of labour, when compared with ordinary uniform resampling.