On the Generalized Jackknife and its Relation to Statistical Differentials
广义刀切法及其与统计微分的关系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：摘要讨论通用偏差修正与渐近理论，没有所列经济计量细分领域的直接文本依据。
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…
广义刀切法及其与统计微分的关系
- 研究问题
- 一阶广义刀切法与统计微分方法之间有什么联系，能否通过更灵活的定义保留偏差削减和渐近分布性质？
- 方法与思路
- 作者利用一阶广义刀切法定义的灵活性构造估计量，比较其与通常方法的性质，并通过极限情形得到无穷小刀切法。
- 材料陈述的贡献
- 摘要称，新构造保留通常广义刀切法的偏差削减与渐近分布性质，其极限情形给出对统计微分方法的推广。
- 阅读关注点
- 应核对广义刀切法的定义与权重、性质保持所需条件，以及无穷小极限如何建立并与统计微分相联系。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体构造、偏差阶和正则条件未说明，不能据此判断有限样本改进程度。
原文摘要
The flexibility of the definition of the first-order generalized jackknife is exploited so that its relation to the method of statistical differentials can be seen. The estimators presented have the same bias reduction and asymptotic distributional properties as the usual generalized jackknife. A limiting case produces an infinitesimal jackknife which represents a generalization of statistical differentials.