On Latin hypercube sampling
论拉丁超立方抽样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：摘要研究抽样设计下均值估计的概率极限与置信区域，属于通用统计理论，未提供所列经济计量方向的直接依据。
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
论拉丁超立方抽样
- 研究问题
- 基于拉丁超立方样本的向量均值估计如何获得正态近似误差界和强大数律收敛率条件，并构造非参数置信区域？
- 方法与思路
- 作者研究样本均值的多元中心极限定理与强大数律，并借鉴经验似然思想，提出针对向量均值的非参数置信区域构造。
- 材料陈述的贡献
- 摘要称，给出了多元中心极限定理的 Berry–Esseen 型界、强大数律收敛率的充分条件，以及向量均值置信区域的方法。
- 阅读关注点
- 应核对拉丁超立方设计、被积函数及矩条件、误差界与收敛率的形式，以及经验似然式置信区域的校准和覆盖性质。
- 阅读边界
- 依据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明具体界、维数限制或有限样本覆盖率，不能判断相较其他抽样设计的优势。
原文摘要
This paper contains a collection of results on Latin hypercube sampling. The first result is a Berry-Esseen-type bound for the multivariate central limit theorem of the sample mean $\hat{\mu}_n$ based on a Latin hypercube sample. The second establishes sufficient conditions on the convergence rate in the strong law for $\hat{\mu}_n$. Finally motivated by the concept of empirical likelihood, a way of constructing nonparametric confidence regions based on Latin hypercube samples is proposed for vector means.