One-Step Bootstrapping for Smooth Iterative Procedures
光滑迭代程序的一步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：摘要提出适用于多种迭代估计程序的通用重抽样方法，没有明确的领域细分依据。
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
光滑迭代程序的一步Bootstrap方法
- 研究问题
- 对于广义最小二乘或EM等迭代程序，能否避免每次Bootstrap重复都迭代至收敛，同时保持所需的分布近似精度？
- 方法与思路
- 作者分析定义方程的展开，为每次重抽样构造一步调整，并考察进一步调整迭代时的渐近精度和小样本表现。
- 材料陈述的贡献
- 摘要称，一步方法具有大样本有效性并节省计算；后续迭代调整可进一步改善误差阶数和实际精度。
- 阅读关注点
- 应核对一步更新的起点与调整公式、所需光滑条件，以及不同目标分位数精度下能否替代完整迭代。
- 阅读边界
- 仅据Crossref摘要；作者明确指出替代完整迭代是否充分取决于问题和目标精度，摘要未给出具体误差阶数或计算节省量。
原文摘要
SUMMARY Resampling techniques have the potential to provide useful information about the sampling distribution of estimators of many population characteristics. Ambitious schemes such as the bootstrap and iterated bootstrap imply a substantial increase in computational effort. For some iterative procedures, such as generalized least squares or the EM algorithm, it is possible to avoid fully iterating each bootstrap replication to convergence. By analysing expansions of the defining equation, we can extract asymptotically correct bootstrap estimates from a single step for each replication. In this paper we demonstrate the large sample validity of this computationally efficient approach and illustrate its small sample applicability. Whether or not the adjustment represents an adequate replacement for full iteration depends on the nature of the problem and the desired accuracy for the bootstrap quantiles. If subsequent iterations are adjusted, then greater enhancement of the rate is achieved and the practical increase in accuracy is significant.