Bootstrap Methods for Finite Populations
有限总体的 Bootstrap 方法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：摘要讨论有限总体抽样与通用重抽样理论，未提供所列微观、宏观或金融细分方向的直接依据。
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…
有限总体的 Bootstrap 方法
- 研究问题
- 在有限总体抽样中，如何构造与经典 Bootstrap 插入规则相对应的重抽样方法，并为总体均值的光滑函数提供准确区间？
- 方法与思路
- 作者从样本构造一类经验总体，以总体特征在这些经验总体上的平均值进行估计，并提出另一种计算量较小的重抽样方法。
- 材料陈述的贡献
- 摘要称该方法允许层总体大小不是层样本量的整数倍，并可生成二阶正确的置信区间；模拟中另一方法有时较不稳定。
- 阅读关注点
- 应核对抽样设计、经验总体构造、光滑性条件及二阶正确性的定义，并检查两种方法的模拟设定和计算成本。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，不能推断刊本变化；摘要未说明二阶正确性的完整条件，也不能将模拟表现推广至所有抽样设计。
原文摘要
We show that the familiar bootstrap plug-in rule of Efron has a natural analog in finite population settings. In our method a characteristic of the population is estimated by the average value of the characteristic over a class of empirical populations constructed from the sample. Our method extends that of Gross to situations in which the stratum sizes are not integer multiples of their respective sample sizes. Moreover, we show that our method can be used to generate second-order correct confidence intervals for smooth functions of population means, a property that has not been established for other resampling methods suggested in the literature. A second resampling method is proposed that also leads to second-order correct confidence intervals and is less computationally intensive than our bootstrap. But a simulation study reveals that the second method can be quite unstable in some situations, whereas our bootstrap performs very well.