Distribution Estimation Using Concomitants of Order Statistics, with Application to Monte Carlo Simulation for the Bootstrap
利用次序统计量伴随变量估计分布：自助法 Monte Carlo 模拟应用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：摘要研究一般自助分布模拟误差，尾部表现未与金融尾部风险或经济分布效应相联系。
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
利用次序统计量伴随变量估计分布：自助法 Monte Carlo 模拟应用
- 研究问题
- 如何借助次序统计量的伴随变量理解并改进自助分布的模拟近似？模拟次数与原样本量如何共同影响误差，尾部表现又有何限制？
- 方法与思路
- 作者将 Efron 提出的自助分布近似方法与伴随变量技术联系起来，推导其渐近性质，并与平衡、重要性及对偶重抽样作比较。
- 材料陈述的贡献
- 摘要称，该方法的模拟方差和均方误差随模拟次数及样本量下降，具有竞争潜力；但尾部表现弱于中心，重要性重抽样在此有优势。
- 阅读关注点
- 应核对伴随变量的具体构造、误差阶适用的估计对象和渐近条件，以及中心与尾部的性能差别和各重抽样方法的比较设定。
- 阅读边界
- 仅据所给 Crossref 摘要，未说明误差阶成立的具体条件或有限样本结果，不能据此认定该方法在所有分布位置均优于其他重抽样。
原文摘要
SUMMARY We show that a simulation method suggested by Efron for approximating bootstrap distributions is closely related to techniques based on concomitants of order statistics and develop its asymptotic properties from that viewpoint. We prove that the method produces Monte Carlo approximations with variance and mean-squared error decreasing like B− 1 n− 1/2, where B denotes the number of simulations and n equals the sample size. Therefore Efron's method can be a competitor with techniques such as balanced resampling, importance resampling and antithetic resampling, where variance and mean-squared error decrease like B −1 with no significant contribution from sample size. However, Efron's method has drawbacks, one being that performance in the tails is not as good as performance towards the centre of the distribution. In this respect, importance resampling has distinct advantages.