The Generalized Jackknife: Finite Samples and Subsample Sizes
广义刀切法：有限样本与子样本规模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：摘要研究一般估计量的偏差消减与子样本选择，没有足够依据归入所列应用领域。
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
广义刀切法：有限样本与子样本规模
- 研究问题
- 在单一估计量、单一样本的广义刀切法中，子样本规模如何影响偏差，尽量少删除数据是否有利于偏差消减？
- 方法与思路
- 作者利用偏差对样本规模的依赖，将全样本估计与子样本重估结果加权组合，并研究删除数据量对偏差的影响。
- 材料陈述的贡献
- 摘要称，在所研究的广义刀切框架内，最少数据删除原则在偏差方面也始终成立，为子样本规模选择提供依据。
- 阅读关注点
- 应核对偏差展开、权重设置与估计量限制，尤其确认“始终成立”的适用范围，以及偏差改善是否伴随方差代价。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；结论所需条件与有限样本证明未说明，不能扩展为所有刀切方法的普遍结论。
原文摘要
This paper is concerned with bias-reduction properties of that generalized jackknife which pertains to a single-estimator, single-sample situation. Jackknifing is a technique for reducing bias by exploiting the dependence of the bias on sample size. In practice, this is carried out by reestimating the unknown parameter(s) with only part of the sample and combining the new and original estimates suitably weighted to produce cancellation in their biases. The size of the subsample affects both the bias and variance of the jackknife. While few results are available, “minimal data omission” seems sensible on grounds of variance. This paper shows the same is always true on grounds of bias.