Efficiency of confidence intervals generated by repeated subsample calculations
重复子样本计算所生成置信区间的效率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：摘要讨论一般均值置信区间与子抽样效率，没有明确的经济计量应用或分布效应目标，因此保留空分类。
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
重复子样本计算所生成置信区间的效率
- 研究问题
- 利用子样本均值构造总体均值的置信区间时，随机选择与满足群论要求的平衡选择，如何权衡计算成本和区间长度？
- 方法与思路
- 作者在连续对称分布下构造子样本均值区间，并在正态抽样下比较完整、随机及平衡子集方法的平均区间长度。
- 材料陈述的贡献
- 摘要称，子样本均值数量较少时平衡选择明显更有效；数量较多时优势缩小，随机选择因更易生成而更具实用性。
- 阅读关注点
- 应核对平衡子集的群论条件、比较区间的覆盖水平，以及小样本模拟和大样本理论分别支持哪些效率结论。
- 阅读边界
- 依据版本未注明的OpenAlex摘要；子样本数量及覆盖概率的指数排版含混，需查原PDF，不能据此重构公式。
原文摘要
Confidence intervals for a mean may be obtained from n observations continuously and symmetrically distributed about the mean, by computing the means of all 2n − 1 subsets, or subsamples, of the observations. The true mean lies in each of the intervals between the ordered subsample means with probability 2−n. In order to reduce the 2n − 1 computations of means, a random subset of subsample means may be used, or a ‘ balanced’ subset may be selected satisfying certain group theoretic requirements. The full set, random subset and balanced subset method are evaluated by comparing the average lengths of corresponding confidence intervals when the observations are a sample from a normal distribution. For small numbers of observations, empirical sampling is used, and for large numbers asymptotic theory. The principal conclusion is that balanced subsets are significantly more efficient than random subsets for small numbers of subsample means, but that their superiority is small for large numbers of subsample means, say greater than 31, enough to make the more easily remembered and generated random subsets more favourable.