On General Resampling Algorithms and their Performance in Distribution Estimation
一般重抽样算法及其在分布估计中的表现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：摘要研究通用重抽样与抽样分布近似，未涉及经济分位数或分布效应等所列细分。
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
一般重抽样算法及其在分布估计中的表现
- 研究问题
- 当数据重抽样次数构成可交换序列时，一般自助算法除一阶一致性之外，何时能够正确捕捉分布的二阶性质？
- 方法与思路
- 作者在一般框架中研究可交换重抽样次数的二阶性质，推导高阶矩和累积量公式，并从分布估计角度分析表现。
- 材料陈述的贡献
- 摘要称给出了高阶矩与累积量公式，并建立一般重抽样算法正确捕捉二阶性质的必要且充分条件。
- 阅读关注点
- 应核对二阶性质的具体含义、可交换权重与样本的条件、矩和累积量展开，以及必要充分条件覆盖哪些重抽样方案。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；具体条件、展开误差和适用统计量未说明，不能推断所有自助算法均有二阶准确性。
原文摘要
Recent work of several authors has focussed on first-order properties (e.g., consistency) of general bootstrap algorithms, where the numbers of times that data values are resampled form an exchangeable sequence. In the present paper we develop second-order properties of such algorithms, in a very general setting. Performance is discussed in the context of distribution estimation, and formulae for higher-order moments and cumulants are developed. Arguing thus, necessary and sufficient conditions are given for general resampling algorithms to correctly capture second-order properties.