On the uniform asymptotic validity of subsampling and the bootstrap
子抽样与自助法的一致渐近有效性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：摘要研究通用重抽样推断，矩不等式等例子未明确关联所列经济或金融细分。
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
子抽样与自助法的一致渐近有效性
- 研究问题
- 子抽样和自助法何时能在一大类分布上统一有效地估计统计量分位数，并使置信域覆盖率及检验尺寸获得一致控制？
- 方法与思路
- 作者提出分位数估计在分布类上一致有效的条件，再将结果用于构造置信域和检验，并讨论均值、矩不等式等应用。
- 材料陈述的贡献
- 摘要称，所得置信域的渐近覆盖率一致不低于名义水平，检验尺寸一致不高于名义水平，并说明较弱收敛概念的局限。
- 阅读关注点
- 应核对分布类与统计量的限制、子样本规模和自助机制，并检查不同应用如何满足一致性条件及是否允许保守推断。
- 阅读边界
- 仅据版本未注明的索引摘要；统一有效性的具体条件未列出，不能推断任意自助法均有效，也不能将渐近保证视为有限样本保证。
原文摘要
This paper provides conditions under which subsampling and the bootstrap can be used to construct estimators of the quantiles of the distribution of a root that behave well uniformly over a large class of distributions $\mathbf{P}$. These results are then applied (i) to construct confidence regions that behave well uniformly over $\mathbf{P}$ in the sense that the coverage probability tends to at least the nominal level uniformly over $\mathbf{P}$ and (ii) to construct tests that behave well uniformly over $\mathbf{P}$ in the sense that the size tends to no greater than the nominal level uniformly over $\mathbf{P}$. Without these stronger notions of convergence, the asymptotic approximations to the coverage probability or size may be poor, even in very large samples. Specific applications include the multivariate mean, testing moment inequalities, multiple testing, the empirical process and $U$-statistics.