Asymptotic Distribution of Robust Effect Size Index
稳健效应量指标的渐近分布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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要聚焦效应量的渐近分布与推断方法，属于统计方法论，未涉及所提供领域细分中的因果识别、面板、离散选择、时间序列或金融计量等具体方向，故不选择。
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…
稳健效应量指标的渐近分布
- 研究问题
- 摘要称，稳健效应量指标（RESI）此前构建置信区间依赖计算量大的自助法；本文研究其渐近分布，以替代自助法推断。
- 方法与思路
- 作者提出用泰勒展开建立RESI渐近分布的一般定理，声称适用于较广的模型类别；在线性与逻辑回归设定下做模拟，并结合稳健协方差估计处理模型误设。
- 材料陈述的贡献
- 摘要称，模拟显示RESI及其置信区间比Cohen's d、f等常用效应量偏差更小、覆盖率更可靠；结合稳健协方差估计可在模型误设下有效推断；在自闭症谱系障碍数据中考察抑郁与行为问题同性别、诊断的关联，并称渐近方法比自助法快至多50倍。
- 阅读关注点
- 应核对定理所需的正则条件与适用范围、泰勒展开的阶数与误差控制、稳健协方差估计的具体形式、模拟的样本量与数据生成设定，以及实证中关联结论的因果解释边界。
- 阅读边界
- 仅依据arXiv预印本摘要，未读全文；这是预印本，不能据此声称已通过同行评审或期刊接收。摘要未说明定理的完整假设、模拟规模与具体数值、真实数据的变量定义与识别策略，速度提升倍数也无法独立验证。
原文摘要
The Robust Effect Size Index (RESI) is a recently proposed standardized effect size to quantify association strength across models. However, its confidence interval construction has relied on computationally intensive bootstrap procedures. We establish a general theorem for the asymptotic distribution of the RESI using a Taylor expansion that accommodates a broad class of models. Simulations under various linear and logistic regression settings show that RESI and its CI have smaller bias and more reliable coverage than commonly used effect sizes such as Cohen's d and f. Combining with robust covariance estimation yields valid inference under model misspecification. We use the methods to investigate associations of depression and behavioral problems with sex and diagnosis in Autism spectrum disorders, and demonstrate that the asymptotic approach achieves up to a 50-fold speedup over the bootstrap. Our work provides a scalable and reliable alternative to bootstrap inference, greatly enhancing the applicability of RESI to high-dimensional studies.