On bootstrap resampling and iteration
Bootstrap 重抽样与迭代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：摘要提出通用 bootstrap 理论，未提供能够对应所列经济计量细分方向的直接文本依据。
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…
关注这篇论文的作者
Bootstrap 重抽样与迭代
- 研究问题
- 能否建立统一的 bootstrap 重抽样框架，针对置信区间覆盖误差、区间长度或点估计偏差等不同目标进行调整？
- 方法与思路
- 作者提出统一重抽样思路，将问题中关注的统计性质作为重点，并由此构造一般形式的 bootstrap 迭代。
- 材料陈述的贡献
- 摘要称，该框架统一并推广已有迭代论述，还能为条件意义下较短的置信区间等较复杂问题提供简单方案。
- 阅读关注点
- 应核对重抽样规则如何随目标改变、迭代的具体步骤，以及覆盖误差、长度或偏差改进各自所需的条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；迭代公式、误差阶和计算成本未说明，不能断言所有问题都能获得改进。
原文摘要
We propose a single unifying approach to bootstrap resampling, applicable to a very wide range of statistical problems. It enables attention to be focused sharply on one or more characteristics which are of major importance in any particular problem, such as coverage error or length for confidence intervals, or bias for point estimation. Our approach leads easily and directly to a very general form of bootstrap iteration, unifying and generalizing present disparate accounts of this subject. It also provides simple solutions to relatively complex problems, such as a suggestion by Lehmann (1986) for ‘conditionally’ short confidence intervals.