Reducing variability using bootstrap methods with qualitative constraints
利用定性约束的 bootstrap 方法降低变异性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：摘要聚焦带约束的通用分布估计与 bootstrap 平滑，未明确研究经济分布效应或其他所列领域。
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
利用定性约束的 bootstrap 方法降低变异性
- 研究问题
- 在小样本中，能否通过对非参数分布估计施加定性约束降低变异性，并减轻显式平滑参数选择的困难？
- 方法与思路
- 作者用定性约束实现对非参数分布估计的隐式平滑，结合理论分析和数值实验考察其对估计及 bootstrap 的影响。
- 材料陈述的贡献
- 摘要称，该方法达到与最优显式平滑相同阶的方差降低，并在小样本数值实验中显示明显的变异性下降。
- 阅读关注点
- 应核对定性约束的种类与有效性、方差降低的比较基准，以及约束不成立时可能产生的偏差和推断变化。
- 阅读边界
- 所据为版本未注明的 OpenAlex 索引摘要；未说明具体约束和数值结果，降低变异性不等于整体误差必然下降。
原文摘要
Parametric methods are often attractive for small to moderate samples, since, relative to nonparametric techniques, they reduce variability of a wide range of statistical procedures. However, when sample size is small there is often little empirical evidence to support a particular model, and so, while variance can be reduced, bias may be increased. In theory, smoothing can be used to reduce variability of nonparametric procedures, but the difficulty of choosing the smoothing parameter can be a serious drawback. In the present paper we propose an alternative approach. We suggest implicitly smoothing nonparametric distribution estimates by enforcing the same sort of qualitative constraint that parametric methods attempt to reflect. We show theoretically that such a method produces the same order of variance reduction as explicit smoothing, even when the smoothing parameter for the latter is chosen optimally. Furthermore, we demonstrate numerically that imposing qualitative constraints on distribution estimates, and on the nonparametric bootstrap, does in fact produce important reductions in variability for small sample sizes.