Prepivoting to Reduce Level Error of Confidence Sets
通过预枢轴化降低置信集的覆盖水平误差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：摘要讨论一般置信集的自助校正理论，没有指向所列计量细分领域的具体模型或应用。
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
通过预枢轴化降低置信集的覆盖水平误差
- 研究问题
- 当构造置信集的统计量不是枢轴量时，如何减小实际覆盖水平与目标水平的偏差，并自动实现更高阶的校正？
- 方法与思路
- 作者用估计的自助分布函数变换置信集的根统计量，称为预枢轴化；通过重复这一变换，构造经过多次校正的置信集。
- 材料陈述的贡献
- 摘要称，预枢轴化能降低置信集的水平误差；首次变换在适用时近似等价于学生化，后续迭代可自动提供高阶校正。
- 阅读关注点
- 应核对误差降低的正则条件与具体阶数、迭代时自助分布的计算方式，以及首次变换近似等价于学生化的适用范围。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；高阶结论的条件、计算代价与有限样本效果未说明，不能据此保证任意问题均改善。
原文摘要
Approximate confidence sets for a parameter θ may be obtained by referring a function of θ and of the sample to an estimated quantile of that function's sampling distribution. We call this function the root of the confidence set. Either asymptotic theory or bootstrap methods can be used to estimate the desired quantile. When the root is not a pivot, in the sense of classical statistics, the actual level of the approximate confidence set may differ substantially from the intended level. Prepivoting is the transformation of a confidence set root by its estimated bootstrap cumulative distribution function. Prepivoting can be iterated. Bootstrap confidence sets generated from a root prepivoted one or more times have smaller error in level than do confidence sets based on the original root. The first prepivoting is nearly equivalent to studentizing, when that operation is appropriate. Further iterations of prepivoting make higher order corrections automatically.