Functional Jackknifing: Rationality and General Asymptotics
泛函刀切法：合理性与一般渐近理论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：摘要属于通用重抽样与统计泛函理论，没有明确的所列领域细分依据。
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
泛函刀切法：合理性与一般渐近理论
- 研究问题
- 刀切法用于偏差修正和方差估计时，其伪变量为何可能无法保持一般统计泛函的稳健性，如何从泛函角度分析这一问题？
- 方法与思路
- 作者将伪变量纳入可微泛函形式的刀切法处理，系统研究其合理性和渐近理论，并考虑两步方差估计及二阶分布表示。
- 材料陈述的贡献
- 摘要称系统分析了泛函刀切法及相关渐近理论，讨论两步刀切方差估计，并研究经典刀切估计量的二阶渐近分布表示。
- 阅读关注点
- 应核对可微泛函的具体构造、合理性的含义、稳健性分析所用定义，以及两步方差估计和二阶展开需要的正则条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；未说明稳健性得到何种改善，也未提供展开条件，不能断言该方法普遍保持稳健性。
原文摘要
Though jackknifing serves well the dual purpose of bias reduction and variance estimation, the pseudovariables it generates may not generally preserve robustness for general statistical functionals. These pseudovariables are incorporated in a differentiable functional detour of jackknifing, and along with its rationality, the related asymptotic theory is studied systematically. A two-step jackknifing is considered for the variance estimation. Second-order asymptotic distributional representations for the classical jackknifed estimators are also considered.