More Efficient Bootstrap Computations
更高效的Bootstrap计算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：摘要讨论通用重抽样计算，未提供归入所列计量细分的直接证据。
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
更高效的Bootstrap计算
- 研究问题
- 在单样本非参数Bootstrap中，如何降低估计统计量偏差、方差或分布分位数所需的重复抽样次数，同时判断方法是否适用？
- 方法与思路
- 作者针对基本Bootstrap任务提出比直接Monte Carlo更高效的计算方法，并提供简单诊断以判断具体问题是否适合这些方法。
- 材料陈述的贡献
- 摘要称，在有利情形下，所需Bootstrap重复次数可减少多倍；诊断工具能够帮助使用者判断个案能否获得这种计算收益。
- 阅读关注点
- 应核对具体加速机制、适用统计量与平滑性要求、诊断规则，以及减少重复次数后偏差、方差和区间分位数误差如何变化。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明。摘要未说明具体算法及有利情形的条件，也未证明所有Bootstrap任务都能得到同等收益。
原文摘要
This article concerns computational methods for the bootstrap that are more efficient than the straightforward Monte Carlo methods usually used. The bootstrap is considered in its simplest form: in a one-sample nonparametric problem, where the goal is to estimate the bias or variance of some statistic by bootstrap sampling, or to set approximate confidence intervals for a parameter of interest in terms of various percentiles of the bootstrap distribution. The methods of this article can, in favorable situations, reduce the necessary number of bootstrap replications manyfold. Moreover, simple diagnostics are available to see whether or not any particular case is accessible to these methods.