The Generalized Jackknife: Finite Samples and Subsample Sizes
广义 Jackknife：有限样本与子样本大小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：摘要讨论通用估计量的偏差校正和子样本选择，未提供所列领域细分的直接依据。
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
广义 Jackknife：有限样本与子样本大小
- 研究问题
- 在单一估计量、单一样本的广义 Jackknife 中，子样本大小如何影响偏差消除，最少删去观测的选择是否也具有偏差方面的依据？
- 方法与思路
- 作者利用偏差随样本量变化的关系，将全样本估计与子样本重估结果加权组合，并分析子样本大小对偏差减少性质的影响。
- 材料陈述的贡献
- 摘要称在所研究的广义 Jackknife 设定中，最少删去数据不仅有方差方面的直观理由，也始终获得偏差方面的支持。
- 阅读关注点
- 应核对广义 Jackknife 的权重与偏差形式、最少删除的精确定义，以及偏差结论的条件和它与方差及均方误差目标的关系。
- 阅读边界
- OpenAlex 索引摘要未注明稿件版本；摘要未列出偏差结论的具体条件，不能解释为所有估计量均适用，也未据此证明均方误差最优。
原文摘要
This paper is concerned with bias-reduction properties of that generalized jackknife which pertains to a single-estimator, single-sample situation. Jackknifing is a technique for reducing bias by exploiting the dependence of the bias on sample size. In practice, this is carried out by reestimating the unknown parameter(s) with only part of the sample and combining the new and original estimates suitably weighted to produce cancellation in their biases. The size of the subsample affects both the bias and variance of the jackknife. While few results are available, “minimal data omission” seems sensible on grounds of variance. This paper shows the same is always true on grounds of bias.