Bootstrap Confidence Regions for Functional Relationships in Errors-in- Variables Models
测量误差模型中线性函数关系的 Bootstrap 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：摘要讨论通用测量误差与置信带，未明确涉及因果效应或经济结构模型，分类依据不足。
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
测量误差模型中线性函数关系的 Bootstrap 置信域
- 研究问题
- 在线性测量误差模型中，误差方差比仅知处于某个区间时，如何为所有可能的线性关系构造置信带并理解其覆盖性质？
- 方法与思路
- 作者用 bootstrap 为方差比允许区间对应的线性关系范围构造置信带与区间，并考察完全不限制方差比的极端情形。
- 材料陈述的贡献
- 摘要称方差比区间非单点时置信带不会随样本增加收缩为直线，且百分位 t 型置信带仅具有一阶覆盖准确性。
- 阅读关注点
- 应核对测量误差及潜在变量的假设、置信带覆盖的对象、方差比区间的来源，以及不收缩和覆盖精度结论的条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；识别与抽样不确定性的分解、bootstrap 细节未说明，不能认定该方法通常具有二阶精度。
原文摘要
We suggest bootstrap methods for constructing confidence bands (and intervals) for an unknown linear functional relationship in an errors-invariables model. It is assumed that the ratio of error variances is known to lie within an interval $\Lambda = \lbrack\lambda_1, \lambda_2\rbrack$. A confidence band is constructed for the range of possible linear relationships when $\lambda \in \Lambda$. Meaningful results are obtained even in the extreme case $\Lambda = \lbrack 0, \infty\rbrack$, which corresponds to no assumption being made about $\Lambda$. The bootstrap bands have several interesting features, which include the following: (i) the bands do not shrink to a line as $n \rightarrow \infty$, unless $\Lambda$ is a singleton (i.e., $\lambda_1 = \lambda_2)$; (ii) percentile-$t$ versions of the bands enjoy only first-order coverage accuracy, not the second-order accuracy normally found in simpler statistical problems.