Jackknifing Differentiable Statistical Functionals
可微统计泛函的刀切法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：摘要讨论刀切法与统计泛函的一般渐近理论，未明确联系所列经济计量细分领域，故不归类。
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
可微统计泛函的刀切法
- 研究问题
- 统计量需要具备怎样的平滑性，才能使刀切法的偏差与方差估计一致，并使伪值线性组合具有渐近正态性？
- 方法与思路
- 作者把统计量表示为泛函，以强 Fréchet 微分的存在性描述正则条件，统一分析刀切法的相关渐近性质。
- 材料陈述的贡献
- 摘要称，论文给出刀切法偏差与方差估计一致、伪值线性组合渐近正态的一般充分条件，形成统一的平滑性视角。
- 阅读关注点
- 应核对强 Fréchet 微分所用空间与范数、余项控制，以及偏差估计、方差估计和渐近正态性各自要求的条件。
- 阅读边界
- 仅据所给 Crossref 摘要。具体微分条件与证明未提供，不能认定一般可微统计量均满足要求，也不能推断其他版本变化。
原文摘要
SUMMARY The purpose of this paper is to give a general unified view of “how smooth” a statistic needs to be for the jackknife to work. We give general sufficient conditions for the jackknife to produce consistent bias and variance estimators, and for linear combinations of the pseudovalues to be asymptotically normal. Regularity conditions are stated in terms of the existence of strong Fréchet differentials of the functional version of the statistic being jackknifed.