Efficiency of Confidence Intervals Generated by Repeated Subsample Calculations
重复子样本计算生成的置信区间效率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：摘要讨论一般均值置信区间与子样本计算效率，没有所列计量领域细分的直接证据。
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…
关注这篇论文的作者
重复子样本计算生成的置信区间效率
- 研究问题
- 利用子样本均值构造总体均值置信区间时，如何减少计算量，并比较随机子集和平衡子集的区间长度效率？
- 方法与思路
- 作者比较全部子样本、随机子集与满足群论要求的平衡子集，在正态样本下结合小样本经验抽样和大样本渐近分析。
- 材料陈述的贡献
- 摘要称正态比较中，平衡子集在子样本均值数量较少时更有效；数量较多时优势缩小，随机子集更便于生成。
- 阅读关注点
- 应核对连续对称分布假设、平衡子集的群论要求、对应置信水平的比较方式，以及计算成本与区间长度的权衡。
- 阅读边界
- 所给为版本未注明的 OpenAlex 摘要；子样本数量和概率记号可能丢失上标，需查原 PDF。效率比较主要针对正态样本。
原文摘要
Confidence intervals for a mean may be obtained from n observations continuously and symmetrically distributed about the mean, by computing the means of all 2n − 1 subsets, or subsamples, of the observations. The true mean lies in each of the intervals between the ordered subsample means with probability 2−n. In order to reduce the 2n − 1 computations of means, a random subset of subsample means may be used, or a ‘ balanced’ subset may be selected satisfying certain group theoretic requirements. The full set, random subset and balanced subset method are evaluated by comparing the average lengths of corresponding confidence intervals when the observations are a sample from a normal distribution. For small numbers of observations, empirical sampling is used, and for large numbers asymptotic theory. The principal conclusion is that balanced subsets are significantly more efficient than random subsets for small numbers of subsample means, but that their superiority is small for large numbers of subsample means, say greater than 31, enough to make the more easily remembered and generated random subsets more favourable.