On a Class of m out of n Bootstrap Confidence Intervals
一类 m out of n Bootstrap 置信区间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：摘要讨论通用重抽样置信区间理论，未明确涉及所列经济细分方向。
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
一类 m out of n Bootstrap 置信区间
- 研究问题
- 在常规 Bootstrap 本身可用的非参数区间问题中，较小重抽样规模是否仍有价值，又应如何选择规模以改善覆盖精度？
- 方法与思路
- 作者提出一类 m out of n Bootstrap 置信限，利用双重 Bootstrap 构造计算较高效的最优区间，并用模拟考察表现。
- 材料陈述的贡献
- 摘要称，所构造最优区间的覆盖精度可与经典双重 Bootstrap 区间相比，模拟结果总体积极，并讨论达到更高阶精度的替代方法。
- 阅读关注点
- 应核对最优重抽样规模的选择准则、覆盖误差阶及其正则条件、计算节省的来源，以及模拟是否同时评价覆盖率与区间长度。
- 阅读边界
- 仅据所给 Crossref 摘要解读。摘要未说明最优性的定义、具体精度阶或模拟数值，不能认定所有非参数区间均获相同改善。
原文摘要
Summary It is widely known that bootstrap failure can often be remedied by using a technique known as the ‘m out of n’ bootstrap, by which a smaller number, m say, of observations are resampled from the original sample of size n. In successful cases of the bootstrap, the m out of n bootstrap is often deemed unnecessary. We show that the problem of constructing nonparametric confidence intervals is an exceptional case. By considering a new class of m out of n bootstrap confidence limits, we develop a computationally efficient approach based on the double bootstrap to construct the optimal m out of n bootstrap intervals. We show that the optimal intervals have a coverage accuracy which is comparable with that of the classical double-bootstrap intervals, and we conduct a simulation study to examine their performance. The results are in general very encouraging. Alternative approaches which yield even higher order accuracy are also discussed.