Jackknifing R -estimators
R 估计量的刀切法方差估计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：摘要研究秩型位置估计量的通用方差估计与计算，未明确涉及分位数效应或所列其他计量细分。
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
R 估计量的刀切法方差估计
- 研究问题
- 在单样本和两样本位置估计中，刀切法何时能够一致估计 R 估计量的方差，并降低重复抽样推断的计算成本？
- 方法与思路
- 作者给出刀切方差估计一致性的充分条件，重点分析 Hodges–Lehmann 估计量，并提出计算方差估计的高效算法。
- 材料陈述的贡献
- 摘要称相关刀切方差估计具有强一致性，报告限定样本规模下的计算加速及小样本模拟证据，并讨论线性模型扩展。
- 阅读关注点
- 应核对 R 估计量及充分条件的范围、方差估计的缩放方式，以及速度比较的样本规模、重抽样次数和精度可比性。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要；速度结论仅对应文中两种样本量与特定 bootstrap 次数，线性模型扩展的完整结果未说明。
原文摘要
Sufficient conditions are given for the consistency of the jackknife variance estimator for R-estimators of location in the one- and two-sample problems. In particular, the jackknife is shown to produce strongly consistent estimates of the variance of the Hodges–Lehmann estimator. An efficient algorithm for computing the variance estimator is presented. For the two sample sizes considered in this paper, calculations for the jackknife estimator of the variance of the Hodges–Lehmann estimator are about 50 times as fast as the bootstrap variance estimator with B = 100. Some Monte Carlo evidence of the small-sample efficiency of this jackknife variance estimator is reported. Extensions of the results to R-estimators in the linear model context are discussed.