Bahadur Representations for Uniform Resampling and Importance Resampling, with Applications to Asymptotic Relative Efficiency
均匀重抽样与重要性重抽样的 Bahadur 表示及渐近相对效率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：摘要直接研究重抽样分位数估计的表示、效率与收敛速率，属于分位数方法，未提供其他细分方向证据。
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…
关注这篇论文的作者
均匀重抽样与重要性重抽样的 Bahadur 表示及渐近相对效率
- 研究问题
- 均匀抽取与不同权重抽取的非参数 bootstrap 分位数估计，其随机近似、相对效率和弱、强收敛速率如何比较？
- 方法与思路
- 作者分别为均匀重抽样和重要性重抽样所得分位数估计建立 Bahadur 型表示，再据此分析效率及两类收敛速率。
- 材料陈述的贡献
- 摘要称推导出两种重抽样方法的分位数表示，并用于获得相对效率以及弱、强意义下的精确收敛速率。
- 阅读关注点
- 应核对重要性权重的选择限制、分位数附近的分布条件，以及表示余项、收敛速率和效率比较各自采用的尺度。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未给出权重规则、速率表达或效率数值，不能判断哪种重抽样在具体问题中更优。
原文摘要
We derive Bahadur-type representations for quantile estimates obtained from two different types of nonparametric bootstrap resampling--the commonly used uniform resampling method, where each sample value is drawn with the same probability, and importance resampling, where different sample values are assigned different resampling weights. These results are applied to obtain the relative efficiency of uniform resampling and importance resampling and to derive exact convergence rates, both weakly and strongly, for either type of resampling.