INFERENCE ON A DISTRIBUTION FROM NOISY DRAWS
基于含噪观测的分布推断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：摘要直接研究经验分布与分位数的噪声偏差，并明确列举教师增值和面板固定效应模型，对应分布方法与面板数据方向。
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
基于含噪观测的分布推断
- 研究问题
- 用含噪个体测量的经验分布估计真实分布及分位数时，噪声会带来怎样的主导偏差，如何修正以获得有效置信区间？
- 方法与思路
- 作者在噪声随样本量缩小的渐近框架中计算分布及分位数的主导偏差，提出解析与 jackknife 修正，并以模拟和应用说明。
- 材料陈述的贡献
- 摘要称该偏差计算扩展了既有光滑泛函结果，两类修正可重新居中极限分布，使置信区间在大样本下具有正确覆盖率。
- 阅读关注点
- 应核对噪声缩小速度、测量误差结构、分布光滑性和尾部限制，以及解析与 jackknife 修正在固定效应模型中的实现。
- 阅读边界
- 仅据所给 Crossref 摘要版本，无法确定覆盖率成立条件或有限样本改善幅度；该收缩噪声框架的适用边界仍需全文确认。
原文摘要
We consider a situation where the distribution of a random variable is being estimated by the empirical distribution of noisy measurements of that variable. This is common practice in, for example, teacher value-added models and other fixed-effect models for panel data. We use an asymptotic embedding where the noise shrinks with the sample size to calculate the leading bias in the empirical distribution arising from the presence of noise. The leading bias in the empirical quantile function is equally obtained. These calculations are new in the literature, where only results on smooth functionals such as the mean and variance have been derived. We provide both analytical and jackknife corrections that recenter the limit distribution and yield confidence intervals with correct coverage in large samples. Our approach can be connected to corrections for selection bias and shrinkage estimation and is to be contrasted with deconvolution. Simulation results confirm the much-improved sampling behavior of the corrected estimators. An empirical illustration on heterogeneity in deviations from the law of one price is equally provided.