Bootstrap Estimation of Conditional Distributions
条件分布的Bootstrap估计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：摘要研究通用条件Bootstrap推断，条件分布估计本身不足以归入分位数与分布效应方向。
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
条件分布的Bootstrap估计
- 研究问题
- 如何在给定另一参数估计量取值的条件下，用Bootstrap估计目标参数相关的条件分布，并据此构造置信区间与假设检验？
- 方法与思路
- 作者同时研究蒙特卡洛和鞍点近似，提出平滑参数与重要性重抽样概率的经验选择方法，并考察枢轴化对推断表现的影响。
- 材料陈述的贡献
- 摘要称，平滑参数选择关键地依赖模拟次数及数据；理论和数值结果表明，枢轴化能够明显改善所考察的条件Bootstrap表现。
- 阅读关注点
- 应核对条件分布估计的平滑方式、模拟次数与平滑参数的配合、重要性重抽样概率的构造，以及枢轴化改善所衡量的误差。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；摘要未说明误差阶、正则条件与模拟设置，不能推断枢轴化在所有条件推断问题中都更好。
原文摘要
Techniques are developed for bootstrap estimation of conditional distributions, with application to confidence intervals and hypothesis tests for one parameter, conditional on the value of an estimator of another. Both Monte Carlo and saddlepoint methods for approximating bootstrap distributions are considered, and empirical methods are suggested for implementing these techniques. For example, in the case of Monte Carlo methods, we suggest empirical techniques for selecting both the smoothing parameter, necessary to define the estimator, and the importance resampling probabilities, required for efficient bootstrap simulation. The smoothing parameter depends critically on the number of Monte Carlo simulations, as well as on the data. Both our theoretical and numerical results indicate that pivoting can substantially improve performance.