Markov Chain Marginal Bootstrap
马尔可夫链边际自助法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：摘要聚焦通用重抽样与回归推断，未明确对应所列因果、面板或其他应用领域。
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
马尔可夫链边际自助法
- 研究问题
- 如何为部分参数模型的最大似然估计及广泛的线性回归 M 估计构造置信区间或区域，同时减轻高维计算负担？
- 方法与思路
- 作者提出马尔可夫链边际自助法，对任意维数的参数只求解一维方程，并生成马尔可夫链形式的重抽样序列。
- 材料陈述的贡献
- 摘要称通过渐近分析建立方法有效性，并用线性回归和广义线性模型的实证与模拟研究展示其应用。
- 阅读关注点
- 应核对适用模型与 M 估计的条件、链的构造及收敛要求，并查看置信区间校准方式与计算成本的比较。
- 阅读边界
- 仅依据版本未注明的 OpenAlex 索引摘要；具体正则条件、模拟结果及计算节省幅度未说明，不能推断刊本变化。
原文摘要
Markov chain marginal bootstrap (MCMB) is a new method for constructing confidence intervals or regions for maximum likelihood estimators of certain parametric models and for a wide class of M estimators of linear regression. The MCMB method distinguishes itself from the usual bootstrap methods in two important aspects: it involves solving only one-dimensional equations for parameters of any dimension and produces a Markov chain rather than a (conditionally) independent sequence. It is designed to alleviate computational burdens often associated with bootstrap in high-dimensional problems. The validity of MCMB is established through asymptotic analyses and illustrated with empirical and simulation studies for linear regression and generalized linear models.