Double block bootstrap confidence intervals for dependent data
依赖数据的双重分块自助法置信区间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：摘要明确处理依赖数据的分块自助法，并应用于计量时间序列。
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
依赖数据的双重分块自助法置信区间
- 研究问题
- 对于存在依赖的数据，如何提高分块自助法置信区间的覆盖准确性，并减轻复杂统计量学生化的分析负担？
- 方法与思路
- 作者提出两层分块自助法：一种校准名义覆盖水平，另一种从自助法序列直接计算学生化因子，并调整两层块长。
- 材料陈述的贡献
- 摘要称，两种程序可降低覆盖误差的阶，并通过模拟及计量时间序列应用考察其表现；具体误差阶未列出。
- 阅读关注点
- 应核对依赖结构和统计量所需条件、两层块长的选择规则、覆盖误差展开，以及端点稳定性与计算成本。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；所谓一般条件和误差阶改进的具体内容未说明，不能推断刊本变化。
原文摘要
The block bootstrap confidence interval for dependent data can outperform the conventional normal approximation only with nontrivial studentization which, in the case of complicated statistics, calls for specialist treatment and often results in unstable endpoints. We propose two double block bootstrap approaches for improving the accuracy of the block bootstrap confidence interval under very general conditions. The first approach calibrates the nominal coverage level and the second calculates studentizing factors directly from a block bootstrap series without the need for nontrivial analytical treatment. We prove that the two approaches reduce the coverage error of the block bootstrap interval by an order of magnitude with simple tuning of block lengths at the two block bootstrapping levels. Empirical properties of the procedures are investigated by simulations and application to an econometric time series.