New methods for bias correction at endpoints and boundaries
端点与边界估计的平移偏差校正新方法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：摘要讨论分布支撑边界的一般估计，未涉及分位数或经济学分布效应。
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
端点与边界估计的平移偏差校正新方法
- 研究问题
- 估计分布端点或边界时，如何校正边界不对称产生的偏差，并构造兼顾较高精度与偏差符号的估计方法？
- 方法与思路
- 作者提出核函数内部的经验平移方法，以及将初始边界估计向数据主体平移、重复估计并平均偏差近似的 bootstrap 方法。
- 材料陈述的贡献
- 摘要称，第一种方法具有较高精度且保持偏差符号；第二种可用于多元边界校正，文中分别研究单变量与双变量情形。
- 阅读关注点
- 应核对平移量选择、偏差符号保证的条件、bootstrap 抽样与截取步骤，以及双变量研究对更高维应用的支持程度。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要，无法确定精度阶数、正则条件或多元扩展范围，也不能推断刊本变化。
原文摘要
We suggest two new, translation-based methods for estimating and correcting for bias when estimating the edge of a distribution. The first uses an empirical translation applied to the argument of the kernel, in order to remove the main effects of the asymmetries that are inherent when constructing estimators at boundaries. Placing the translation inside the kernel is in marked contrast to traditional approaches, such as the use of high-order kernels, which are related to the jackknife and, in effect, apply the translation outside the kernel. Our approach has the advantage of producing bias estimators that, while enjoying a high order of accuracy, are guaranteed to respect the sign of bias. Our second method is a new bootstrap technique. It involves translating an initial boundary estimate toward the body of the dataset, constructing repeated boundary estimates from data that lie below the respective translations, and employing averages of the resulting empirical bias approximations to estimate the bias of the original estimator. The first of the two methods is most appropriate in univariate cases, and is studied there; the second approach may be used to bias-correct estimates of boundaries of multivariate distributions, and is explored in the bivariate case.