An Improvement of the Jackknife Distribution Function Estimator
Jackknife 分布函数估计量的一项改进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：这里研究的是重抽样分布估计的一般理论，未明确研究总体分位数或经济学分布效应。
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
Jackknife 分布函数估计量的一项改进
- 研究问题
- 在摘要所述分布估计问题中，能否通过简单修正提高 Jackknife 的收敛速度，同时减少算法保留的原始观测数？
- 方法与思路
- 作者将 Jackknife 分布估计量与标准正态分布按适当比例混合，利用这一非经验性修正分析收敛阶与保留样本规模。
- 材料陈述的贡献
- 摘要称，收敛阶由 O(n^{-1/2}) 改善至 O(n^{-5/6})，且仅需保留 O(n^{2/3}) 个原始观测值。
- 阅读关注点
- 应核对被估计分布的对象、误差度量、混合比例和正则条件，以及与 Bootstrap 收敛阶比较时是否采用同一问题设定。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。所列收敛阶属于特定问题，摘要未说明条件，也不足以判断有限样本表现。
原文摘要
In a recent paper, C. F. J. Wu showed that the jackknife estimator of a distribution function has optimal convergence rate $O(n^{-1/2})$, where $n$ denotes the sample size. This rate is achieved by retaining $O(n)$ data values from the original sample during the jackknife algorithm. Wu's result is particularly important since it permits a direct comparison of jackknife and bootstrap methods for distribution estimation. In the present paper we show that a very simple, nonempirical modification of the jackknife estimator improves the convergence rate from $O(n^{-1/2})$ to $O(n^{-5/6})$, and that this rate may be achieved by retaining only $O(n^{2/3})$ data values from the original sample. Our technique consists of mixing the jackknife distribution estimator with the standard normal distribution in an appropriate proportion. The convergence rate of $O(n^{-5/6})$ makes the jackknife significantly more competitive with the bootstrap, which enjoys a convergence rate of $O(n^{-1})$ in this particular problem.