ASYMPTOTIC SIZE AND A PROBLEM WITH SUBSAMPLING AND WITH THE m OUT OF n BOOTSTRAP
渐近尺寸：子抽样与 m out of n Bootstrap 的问题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：摘要讨论一般检验与重抽样的一致性问题，未提供所列具体应用领域的充分依据。
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…
渐近尺寸：子抽样与 m out of n Bootstrap 的问题
- 研究问题
- 当检验统计量的极限分布随参数不连续时，子抽样和 m out of n bootstrap 检验的渐近尺寸是否仍等于名义水平？
- 方法与思路
- 作者在一组高层条件下分析精确尺寸的极限，借此刻画逐点渐近缺乏一致性如何造成两类重抽样检验的尺寸失真。
- 材料陈述的贡献
- 摘要称，论文精确确定这类检验的渐近尺寸，并说明部分例子存在过度拒绝，而另一些例子没有这种失真。
- 阅读关注点
- 应核对精确尺寸与逐点拒绝概率的区别、取上确界的参数空间、高层条件，以及有失真和无失真例子的分界。
- 阅读边界
- 仅依据所给 Crossref 摘要；高层条件与例子细节未说明，不能据此否定所有子抽样或 bootstrap 方法，也不能推断版本变化。
原文摘要
This paper considers inference based on a test statistic that has a limit distribution that is discontinuous in a parameter. The paper shows that subsampling and m out of n bootstrap tests based on such a test statistic often have asymptotic size—defined as the limit of exact size—that is greater than the nominal level of the tests. This is due to a lack of uniformity in the pointwise asymptotics. We determine precisely the asymptotic size of such tests under a general set of high-level conditions that are relatively easy to verify. The results show that the asymptotic size of subsampling and m out of n bootstrap tests is distorted in some examples but not in others.