Bootstrap Confidence Regions for the Intensity of a Poisson Point Process
泊松点过程强度函数的自助法置信域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：摘要研究一般泊松点过程强度推断，没有金融高频观测或其他所列领域的明确应用依据，故使用空数组。
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…
泊松点过程强度函数的自助法置信域
- 研究问题
- 对非平稳泊松点过程的强度函数，如何构造置信域或置信带，并比较基于拟合过程重抽样与直接重抽样数据点的方法。
- 方法与思路
- 作者提出多种自助法，从按非参数估计强度生成泊松过程到直接重抽样观测点，并结合不同百分位 t 方法构造置信带。
- 材料陈述的贡献
- 摘要称，文章以理论、真实数据和模拟数据展示不同方法的有效性，并讨论偏差校正，但未报告具体覆盖率或比较幅度。
- 阅读关注点
- 应核对置信带提供逐点还是同时覆盖、强度估计与重抽样的条件，以及学生化、偏差校正和边界处理的具体实现。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；覆盖保证的条件、数值表现及实现细节未说明，不能推断其他版本变化。
原文摘要
Bootstrap methods are developed for constructing confidence regions for the intensity function of a nonstationary Poisson process. Several different resampling algorithms are suggested, ranging from resampling a Poisson process with intensity equal to that estimated nonparametrically from the data to resampling the data points themselves in the same manner that the bootstrap is used in problems involving independent and identically distributed observations. For each different bootstrap method, various percentile-t ways of constructing confidence bands are described. The effectiveness of these different approaches is demonstrated both theoretically and numerically, for real and simulated data. Issues such as bias correction are addressed.