The smoothed median and the bootstrap
平滑中位数与自助法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：摘要讨论通用中位数估计与自助法精度，未明确研究经济分位数或分布效应。
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
平滑中位数与自助法
- 研究问题
- 传统样本中位数和秩方法的自助法精度不足，能否通过隐式平滑改善推断，同时保留中位数的稳健性与效率？
- 方法与思路
- 作者以特别平滑的目标函数定义多元隐式平滑中位数，无需显式选择平滑参数，并重点在一元情形开展理论和数值分析。
- 材料陈述的贡献
- 摘要称，新方法保留传统中位数的多项特征，更适合自助法；在正态数据下效率更高，并以一元理论和数值结果说明。
- 阅读关注点
- 核对平滑目标函数与估计目标、稳健性的具体指标，以及自助法精度结论的条件和一元结果能否扩展到多元。
- 阅读边界
- 仅据所给 OpenAlex 索引摘要，稿件版本未注明；新方法的具体精度阶与条件未说明，正态情形效率优势不能推广到所有分布。
原文摘要
Even in one dimension the sample median exhibits very poor performance when used in conjunction with the bootstrap. For example, both the percentile‐t bootstrap and the calibrated percentile method fail to give second‐order accuracy when applied to the median. The situation is generally similar for other rank‐based methods, particularly in more than one dimension. Some of these problems can be overcome by smoothing, but that usually requires explicit choice of the smoothing parameter. In the present paper we suggest a new, implicitly smoothed version of the k‐variate sample median, based on a particularly smooth objective function. Our procedure preserves many features of the conventional median, such as robustness and high efficiency, in fact higher than for the conventional median, in the case of normal data. It is however substantially more amenable to application of the bootstrap. Focusing on the univariate case, we demonstrate these properties both theoretically and numerically.