A simple bootstrap method for constructing nonparametric confidence bands for functions
构造函数非参数置信带的简单 Bootstrap 方法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：分位数用于置信带校准，摘要没有研究分位数回归或分布效应，故不据此归入相关细分。
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
构造函数非参数置信带的简单 Bootstrap 方法
- 研究问题
- 使用常规平滑函数估计量时，如何缓解 Bootstrap 偏差估计带来的困难，并构造较窄且操作较简单的非参数置信带？
- 方法与思路
- 作者利用标准 Bootstrap 偏差估计中随机误差的高频特征，结合基于分位数的技术，抑制该随机误差对置信带的影响。
- 材料陈述的贡献
- 摘要称该方法能得到较窄、易构造的置信带，回应欠平滑或过平滑方法需要额外平滑选择并可能扩大带宽的问题。
- 阅读关注点
- 应核对分位数校准步骤、平滑参数选择、覆盖保证的具体含义，以及较窄置信带的比较对象和成立条件。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要；未说明覆盖定理和适用函数类，不能认定所有设置下都更窄或覆盖更准。
原文摘要
Standard approaches to constructing nonparametric confidence bands for functions are frustrated by the impact of bias, which generally is not estimated consistently when using the bootstrap and conventionally smoothed function estimators. To overcome this problem it is common practice to either undersmooth, so as to reduce the impact of bias, or oversmooth, and thereby introduce an explicit or implicit bias estimator. However, these approaches, and others based on nonstandard smoothing methods, complicate the process of inference, for example, by requiring the choice of new, unconventional smoothing parameters and, in the case of undersmoothing, producing relatively wide bands. In this paper we suggest a new approach, which exploits to our advantage one of the difficulties that, in the past, has prevented an attractive solution to the problem—the fact that the standard bootstrap bias estimator suffers from relatively high-frequency stochastic error. The high frequency, together with a technique based on quantiles, can be exploited to dampen down the stochastic error term, leading to relatively narrow, simple-to-construct confidence bands.