On the Bootstrap and Likelihood-Based Confidence Regions
自助法与基于似然的置信域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：摘要研究向量参数的一般置信域与自助推断，没有所列计量细分领域的直接依据。
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
自助法与基于似然的置信域
- 研究问题
- 如何用自助法构造向量参数的似然置信域与同时置信区间，并捕捉椭圆近似可能遗漏的偏离正态特征？
- 方法与思路
- 作者结合自助法和非参数密度估计构造似然置信域，讨论理论性质，并给出向量分量同时置信区间的算法。
- 材料陈述的贡献
- 摘要主张避免用椭圆近似似然置信域以捕捉一阶非正态偏离，并展示多元设定下百分位 t 法相对普通百分位法的优势。
- 阅读关注点
- 应核对置信域构造、密度估计与自助抽样条件，以及非正态偏离的含义和两种百分位方法比较的具体标准。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未列出理论条件或覆盖率数值，不能认定所述方法在所有场景更优。
原文摘要
We describe a method for constructing likelihood-based confidence regions for a vector parameter, using the bootstrap and nonparametric density estimation. The technique is illustrated by application to a numerical example, and its theoretical properties are elucidated. It is argued that likelihood-based regions should not be approximated by ellipses, if we are to have any hope of capturing first-order departures from normality. Bootstrap algorithms for constructing simultaneous confidence intervals for the components of a vector parameter are also presented. Advantages of the percentile-t method over the ordinary percentile method are demonstrated in a multivariate setting.