Importance sampling and the nested bootstrap
重要性抽样与嵌套自助法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：摘要聚焦通用重抽样计算方法，没有指向所列具体计量应用方向。
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
重要性抽样与嵌套自助法
- 研究问题
- 嵌套自助法用于降低普通自助法的统计误差时，能否通过重要性抽样减少双重自助置信限的计算负担？
- 方法与思路
- 作者将蒙特卡洛重要性抽样用于一种简单的双重自助置信限方法，借此减少嵌套重抽样所需的计算量。
- 材料陈述的贡献
- 摘要称，该方案能够显著降低所讨论双重自助法的计算需求；具体节省幅度及对统计精度的影响未说明。
- 阅读关注点
- 应核对重要性分布与权重如何构造、计算预算如何比较，以及减少模拟次数后置信限的覆盖表现与稳定性。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；抽样方案、适用条件和数值结果未提供，不能推断刊本变化。
原文摘要
The nested bootstrap is a computer-intensive technique for reducing the statistical error in the ordinary bootstrap. We show how the Monte Carlo technique of importance sampling can be used to substantially reduce the amount of computation needed in a simple double bootstrap confidence limit method.