Histospline smoothing the Bayesian bootstrap
贝叶斯自助法的直方样条平滑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：摘要研究通用自助推断，虽涉及分布函数和中位数，但没有明确研究分位数效应或其他所列细分问题。
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
贝叶斯自助法的直方样条平滑
- 研究问题
- 在已知分布连续且具有已知紧支撑的条件下，如何平滑贝叶斯自助法，并改善常见统计量置信区间的整体准确性？
- 方法与思路
- 作者将随机狄利克雷质量均匀分配到统计等价区块，并借助概率积分变换与拟合优度检验分析和比较自助分布。
- 材料陈述的贡献
- 摘要称若干统计泛函的自助分布可获得精确表达，并报告模拟中均值、中位数、方差和分布函数区间表现较优。
- 阅读关注点
- 应核对区块的统计等价定义、连续性与已知支撑的作用、哪些泛函存在精确表达，以及模拟比较的评价标准。
- 阅读边界
- 索引摘要版本未注明；所述优势依赖连续分布和已知紧支撑，摘要未给出模拟数值，不能推广为普遍优越性。
原文摘要
This paper describes a version of the Bayesian bootstrap that assigns random Dirichlet mass uniformly across statistically equivalent blocks. The method requires prior knowledge that the underlying distribution is continuous with known compact support. Under these conditions, the resulting analysis has three advantages over traditional bootstrap competitors. First, it takes account of the probability integral transformation. Secondly, it often enables exact expressions for the bootstrap distributions of common statistical functionals; thus small sample properties are known precisely, in contrast to the usual bootstrap situation. Thirdly, it shows consistent superiority in large-scale simulation experiments that compare the global accuracy of confidence intervals for the mean, median, variance and distribution function. The simulation experiments use a goodnessof-fit test as the basis for comparing the performance of competing bootstrap techniques.