Efficiency and Robustness in Resampling
重抽样方法的效率与稳健性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：摘要聚焦一般线性回归中的重抽样效率与稳健性，没有明确涉及所列因果、面板、时间序列或金融问题。
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
重抽样方法的效率与稳健性
- 研究问题
- 在线性回归中，经典 bootstrap 与删一 jackknife 估计统计量均方误差时，效率和稳健性的关系为何发生变化？
- 方法与思路
- 作者在回归模型中比较常见重抽样程序，并依其在同质、异质误差下的表现，划分为效率型与稳健型两类。
- 材料陈述的贡献
- 摘要称同质误差下 bootstrap 更有效率，异质误差下 jackknife 更稳健，并据此提出统一理解回归重抽样程序的理论。
- 阅读关注点
- 应核对同质与异质误差的定义、被估计统计量及效率准则，并确认两类重抽样方法的划分条件和适用范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未说明具体误差条件和效率表达式，不能将比较推广到所有回归问题。
原文摘要
It is known that the standard delete-1 jackknife and the classical bootstrap are in general equally efficient for estimating the mean-square-error of a statistic in the i.i.d. setting. However, this equivalence no longer holds in the linear regression model. It turns out that the bootstrap is more efficient when error variables are homogeneous and the jackknife is more robust when they are heterogeneous. In fact, we can divide all the commonly used resampling procedures for linear regression models into two types: the E-type (the efficient ones like the bootstrap) and the R-type (the robust ones like the jackknife). Thus the theory presented here provides a unified view of all the known resampling procedures in linear regression.