A PARAMETRIC BOOTSTRAP FOR HEAVY-TAILED DISTRIBUTIONS
厚尾分布的参数 bootstrapAI 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：摘要讨论厚尾分布下均值推断的通用重抽样方法，未提供资产收益、金融尾部风险等应用依据。
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…
厚尾分布的参数 bootstrap
- 研究问题
- 当样本来自无限方差稳定律吸引域时，如何克服普通 bootstrap 对均值推断的不一致，并改善有限样本重抽样表现？
- 方法与思路
- 作者提出参数 bootstrap，与缩小重抽样规模的 bootstrap 及子抽样进行比较，并通过模拟考察厚尾均值推断。
- 材料陈述的贡献
- 摘要称新方法克服普通 bootstrap 的失效，在所研究情形下优于两种替代方法，但尾指数接近一且强偏斜时表现受限。
- 阅读关注点
- 应核对参数化分布与参数估计方式、稳定律吸引域条件，以及尾指数和偏斜程度对推断误差的共同影响。
- 阅读边界
- 仅据所给 Crossref 摘要，无法确认参数模型误设时的有效性或具体改善幅度；摘要已指出近一尾指数与强偏斜的限制。
原文摘要
It is known that Efron’s bootstrap of the mean of a distribution in the domain of attraction of the stable laws with infinite variance is not consistent, in the sense that the limiting distribution of the bootstrap mean is not the same as the limiting distribution of the mean from the real sample. Moreover, the limiting bootstrap distribution is random and unknown. The conventional remedy for this problem, at least asymptotically, is either the m out of n bootstrap or subsampling. However, we show that both these procedures can be unreliable in other than very large samples. We introduce a parametric bootstrap that overcomes the failure of Efron’s bootstrap and performs better than the m out of n bootstrap and subsampling. The quality of inference based on the parametric bootstrap is examined in a simulation study, and is found to be satisfactory with heavy-tailed distributions unless the tail index is close to 1 and the distribution is heavily skewed.