Prepivoting by weighted bootstrap iteration
通过加权自助法迭代进行预枢轴化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：摘要讨论通用自助法与高阶推断，并列举一般回归和 M 估计，未明确落入所列经济或金融细分方向，故不强行分类。
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
通过加权自助法迭代进行预枢轴化
- 研究问题
- 能否通过数据驱动的加权自助法迭代，更有效地提升预枢轴化的近似精度，从而改善置信限与零假设分布估计？
- 方法与思路
- 作者分析经验选择权重后的自助法迭代对预枢轴化的理论作用，在光滑函数、M 估计和回归等问题中研究渐近误差阶。
- 材料陈述的贡献
- 摘要称适当选择权重时，一次加权迭代渐近等价于两次常规迭代，因此在降低误差阶方面更有效，并给出数值示例。
- 阅读关注点
- 应核对权重如何依据数据选择、渐近等价针对哪种误差，以及理论节省的迭代次数能否转化为实际计算成本和覆盖率改善。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未列出权重和正则条件，渐近等价及单个示例不能保证所有问题的有限样本改进。
原文摘要
Prepivoting by conventional bootstrap iteration is known to yield a progressively more accurate pivot in certain problems, and has important application in the construction of confidence limits and estimation of null distributions. We investigate the theoretical effects of weighted bootstrap iteration on prepivoting and show that each weighted bootstrap iteration, with weights chosen carefully but empirically, is asymptotically equivalent to two consecutive conventional bootstrap iterations. In terms of reducing the order of error, prepivoting can therefore be carried out much more efficiently if based on weighted bootstrap iterations. This is shown for a variety of problem settings, including the smooth function model, M‐estimation and the regression context. A numerical illustration is provided, demonstrating the potential practical usefulness of weighted prepivoting.