Some Asymptotic Theory for the Bootstrap
Bootstrap 的若干渐近理论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：摘要讨论通用重抽样理论，提及分位数过程不足以确定分位数或分布效应这一应用方向。
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
Bootstrap 的若干渐近理论
- 研究问题
- Efron 的 bootstrap 分布近似在哪些统计对象上具有渐近有效性，又有哪些情形会使这种近似失效？
- 方法与思路
- 作者研究 bootstrap 对 t 统计量、经验过程、分位数过程和 von Mises 泛函的渐近分布近似，并给出失败反例。
- 材料陈述的贡献
- 摘要称，bootstrap 在多种统计问题中渐近有效，同时通过反例表明这种有效性并非对所有统计对象普遍成立。
- 阅读关注点
- 应核对各统计对象的正则条件、近似成立的收敛意义，以及反例中导致失败的机制和可适用的重抽样方案。
- 阅读边界
- OpenAlex 摘要未注明稿件版本，也未提供定理条件或反例细节；不能据此断言有限样本准确性或任意 bootstrap 方案有效。
原文摘要
Efron's "bootstrap" method of distribution approximation is shown to be asymptotically valid in a large number of situations, including $t$-statistics, the empirical and quantile processes, and von Mises functionals. Some counter-examples are also given, to show that the approximation does not always succeed.