Orthogonal Bootstrap: Efficient Simulation of Input Uncertainty
正交 Bootstrap：高效模拟输入不确定性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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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 Bootstrap 计算方法，未提供足以归入所列具体计量领域的应用或模型证据。
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…
正交 Bootstrap：高效模拟输入不确定性
- 研究问题
- 当 Bootstrap 模拟输入不确定性需要大量计算时，如何减少 Monte Carlo 重复次数，同时保留区间宽度并改善经验精度？
- 方法与思路
- 作者将模拟目标拆分为具有无穷小 jackknife 闭式结果的非正交部分，以及更易模拟的正交部分，仅对后者进行模拟。
- 材料陈述的贡献
- 摘要称理论与数值分析表明，正交 Bootstrap 可降低计算成本、改善经验精度，并保持所构造区间的宽度。
- 阅读关注点
- 核对正交分解及闭式部分成立的条件、计算成本的计量方式，以及经验精度、区间宽度和覆盖率之间的关系。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已通过同行评审或被期刊接收；摘要未说明理论条件和节省幅度，同宽区间不保证同覆盖率。
原文摘要
Bootstrap is a popular methodology for simulating input uncertainty. However, it can be computationally expensive when the number of samples is large. We propose a new approach called \textbf{Orthogonal Bootstrap} that reduces the number of required Monte Carlo replications. We decomposes the target being simulated into two parts: the \textit{non-orthogonal part} which has a closed-form result known as Infinitesimal Jackknife and the \textit{orthogonal part} which is easier to be simulated. We theoretically and numerically show that Orthogonal Bootstrap significantly reduces the computational cost of Bootstrap while improving empirical accuracy and maintaining the same width of the constructed interval.