Bootstrapping Robust Estimates for Clustered Data
聚类数据稳健估计的自助推断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：摘要涉及聚类数据和混合模型，但未明确面板结构或其他所列领域的专门问题。
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
聚类数据稳健估计的自助推断
- 研究问题
- 在混合模型中，稳健方差分量反映主体数据的变异，而污染会改变总体变异；如何据此构造有效的自助推断？
- 方法与思路
- 作者比较随机效应、变换及加权等自助方案，给出渐近有效性条件，并通过小规模模拟评估这些程序的表现。
- 材料陈述的贡献
- 摘要称，变换自助法与广义聚类自助法在所述合理条件下渐近有效，且模拟表现良好，回应了直接重抽样可能失效的问题。
- 阅读关注点
- 应核对稳健估计的目标参数、污染机制、各类自助样本的生成规则，以及簇数量和簇规模如何进入渐近有效性条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；所谓合理条件及污染设定未展开，小规模模拟不能证明所有聚类场景均有效。
原文摘要
In mixed models, the use of robust estimates raises several interesting inferential challenges. One of these challenges arises from the realization that the effect of contamination is to increase the variability in the data, but robust estimates of variance components are usually smaller than their nonrobust counterparts. The robust estimates reflect the variability of the bulk of the data, which is not the same as the variability in the data-generating process. This means that the naive implementation of bootstrap procedures might not work. In this article we consider several bootstrap procedures, including random effect, transformation, and weighted bootstraps. We give conditions for the asymptotic validity of the bootstraps and assess their performance via a small simulation study. Both the transformation and generalized cluster bootstrap perform well and are asymptotically valid under reasonable conditions.