On Importance Resampling for the Bootstrap
Bootstrap 的重要性重抽样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 bootstrap 计算方法及效率边界，未指定所列应用领域。
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
Bootstrap 的重要性重抽样
- 研究问题
- 如何无需解析计算重抽样概率，就高效近似 bootstrap 置信区间和检验；重要性重抽样对不同统计目标又有哪些效率边界？
- 方法与思路
- 作者提出经验式重要性重抽样方法，将其用于 bootstrap 的蒙特卡洛计算，并从一般框架分析不同目标下的最优重抽样效率。
- 材料陈述的贡献
- 摘要称，该方法产生一致、有效且无偏的蒙特卡洛近似；但对偏差、方差、偏度及相关量，最优重要性重抽样也不能改善均匀重抽样。
- 阅读关注点
- 应核对蒙特卡洛近似所针对的对象、无偏性与效率的条件，以及不能改善均匀重抽样的结论适用哪些统计量和比较标准。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；计算效率的具体条件未说明，蒙特卡洛近似无偏不等于原估计量无偏或区间精确覆盖。
原文摘要
We introduce an empirical method of importance resampling, which does not require analytical calculation of the resampling probabilities. Our method can easily be used as part of a general algorithm for Monte Carlo calculation of bootstrap confidence intervals and hypothesis tests. It produces consistent, efficient and unbiased Monte Carlo approximations. We also present a very general but elementary account of importance resampling, which shows that even optimal importance resampling cannot improve on uniform resampling for calculating bootstrap estimates of bias, variance, skewness and related quantities. This result demonstrates a major difference between importance resampling and other approaches to efficient bootstrap simulation, such as balanced resampling and antithetic resampling, which produce significant improvements in efficiency for a wide range of problems involving the bootstrap.