Intentionally Biased Bootstrap Methods
有意偏置的 Bootstrap 方法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：摘要提出跨多种统计问题的通用重抽样方法，没有足够依据将其限定到所列经济计量细分方向。
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
有意偏置的 Bootstrap 方法
- 研究问题
- 如何通过定向调整 Bootstrap 重抽样权重，改变偏差、方差或指定统计特征，同时尽量保留其他所需性质？
- 方法与思路
- 作者提出加权的 b-bootstrap，通过不同权重调整实现偏差或方差降低、特征约束，以及原假设下的模拟。
- 材料陈述的贡献
- 摘要列举非参数检验、核回归调整、约束密度估计等用途，并称核回归的偏差调整可使其与局部线性平滑竞争。
- 阅读关注点
- 阅读全文时应核对权重选择与约束、哪些性质得以保留，以及各应用的有效性条件、计算方法和比较依据。
- 阅读边界
- 仅据所给 Crossref 摘要；不同调整用途不意味着偏差与方差同时改善，具体保证及比较范围均需全文核对。
原文摘要
Summary A class of weighted bootstrap techniques, called biased bootstrap or b-bootstrap methods, is introduced. It is motivated by the need to adjust empirical methods, such as the ‘uniform’ bootstrap, in a surgical way to alter some of their features while leaving others unchanged. Depending on the nature of the adjustment, the b-bootstrap can be used to reduce bias, or to reduce variance or to render some characteristic equal to a predetermined quantity. Examples of the last application include a b-bootstrap approach to hypothesis testing in nonparametric contexts, where the b-bootstrap enables simulation ‘under the null hypothesis’, even when the hypothesis is false, and a b-bootstrap competitor to Tibshirani's variance stabilization method. An example of the bias reduction application is adjustment of Nadaraya–Watson kernel estimators to make them competitive with local linear smoothing. Other applications include density estimation under constraints, outlier trimming, sensitivity analysis, skewness or kurtosis reduction and shrinkage.