Bootstrap Methods: Another Look at the Jackknife

研究问题: 在总体分布未知、只有一组随机样本时，怎样利用已经观测到的数据估计某个预先指定随机量的抽样分布？摘要关注的对象可以同时依赖样本和总体分布，因此问题比估计标准误更一般。
方法与思路: 摘要提出 bootstrap 这一通用方法，并将 jackknife 解释为它的线性近似。文章通过样本中位数的方差、线性判别错误率、比率估计及回归参数估计等例子展示方法，摘要未给出完整计算步骤。
摘要陈述的贡献: 摘要称 bootstrap 在多种估计问题上表现令人满意，并说明它与 jackknife 的近似关系。其明确支持的定位是提供一般性的抽样分布估计方法，同时重新解释 jackknife 的方法基础。
预备知识: 建议先掌握抽样分布、经验分布、代入估计和标准误，并了解重复抽样与删除观测的 jackknife 思路。这些属于学习背景，有助于区分估计量本身、估计误差及其分布这三个不同对象。
阅读重点: 阅读时应核对目标随机量如何依赖未知分布、bootstrap 如何构造相应分布，以及 jackknife 的线性近似在哪一步产生。对中位数等例子，重点检查统计量特征、近似条件和误差评估方式。
阅读边界: 基于原文摘要，未阅读全文。摘要没有列出一般有效性条件、完整算法或误差界；其中对若干例子的满意表现不能解释为对所有统计量、样本规模和数据依赖结构都成立的保证。

GPT-6.1 Sol · 极高 · 2026-10-01 · 摘要解读

原文摘要

We discuss the following problem: given a random sample $\mathbf{X} = (X_1, X_2, \cdots, X_n)$ from an unknown probability distribution $F$, estimate the sampling distribution of some prespecified random variable $R(\mathbf{X}, F)$, on the basis of the observed data $\mathbf{x}$. (Standard jackknife theory gives an approximate mean and variance in the case $R(\mathbf{X}, F) = \theta(\hat{F}) - \theta(F), \theta$ some parameter of interest.) A general method, called the "bootstrap," is introduced, and shown to work satisfactorily on a variety of estimation problems. The jackknife is shown to be a linear approximation method for the bootstrap. The exposition proceeds by a series of examples: variance of the sample median, error rates in a linear discriminant analysis, ratio estimation, estimating regression parameters, etc.

摘要来源：OpenAlex

正在读取解读与摘要…

笔记与分组

查找这个方法的新论文 →

Bootstrap 方法：重新审视 Jackknife

研究问题

在总体分布未知、只有一组随机样本时，怎样利用已经观测到的数据估计某个预先指定随机量的抽样分布？摘要关注的对象可以同时依赖样本和总体分布，因此问题比估计标准误更一般。

方法与思路

摘要提出 bootstrap 这一通用方法，并将 jackknife 解释为它的线性近似。文章通过样本中位数的方差、线性判别错误率、比率估计及回归参数估计等例子展示方法，摘要未给出完整计算步骤。

摘要陈述的贡献

摘要称 bootstrap 在多种估计问题上表现令人满意，并说明它与 jackknife 的近似关系。其明确支持的定位是提供一般性的抽样分布估计方法，同时重新解释 jackknife 的方法基础。

预备知识

建议先掌握抽样分布、经验分布、代入估计和标准误，并了解重复抽样与删除观测的 jackknife 思路。这些属于学习背景，有助于区分估计量本身、估计误差及其分布这三个不同对象。

阅读重点

阅读时应核对目标随机量如何依赖未知分布、bootstrap 如何构造相应分布，以及 jackknife 的线性近似在哪一步产生。对中位数等例子，重点检查统计量特征、近似条件和误差评估方式。

阅读边界

基于原文摘要，未阅读全文。摘要没有列出一般有效性条件、完整算法或误差界；其中对若干例子的满意表现不能解释为对所有统计量、样本规模和数据依赖结构都成立的保证。

GPT-6.1 Sol · 极高 · 2026-10-01 · 摘要解读

原文摘要

We discuss the following problem: given a random sample

\mathbf{X} = (X_1, X_2, \cdots, X_n)

from an unknown probability distribution

F

, estimate the sampling distribution of some prespecified random variable

R(\mathbf{X}, F)

, on the basis of the observed data

\mathbf{x}

. (Standard jackknife theory gives an approximate mean and variance in the case

R(\mathbf{X}, F) = \theta(\hat{F}) - \theta(F), \theta

some parameter of interest.) A general method, called the "bootstrap," is introduced, and shown to work satisfactorily on a variety of estimation problems. The jackknife is shown to be a linear approximation method for the bootstrap. The exposition proceeds by a series of examples: variance of the sample median, error rates in a linear discriminant analysis, ratio estimation, estimating regression parameters, etc.We discuss the following problem: given a random sample $\mathbf{X} = (X_1, X_2, \cdots, X_n)$ from an unknown probability distribution $F$, estimate the sampling distribution of some prespecified random variable $R(\mathbf{X}, F)$, on the basis of the observed data $\mathbf{x}$. (Standard jackknife theory gives an approximate mean and variance in the case $R(\mathbf{X}, F) = \theta(\hat{F}) - \theta(F), \theta$ some parameter of interest.) A general method, called the "bootstrap," is introduced, and shown to work satisfactorily on a variety of estimation problems. The jackknife is shown to be a linear approximation method for the bootstrap. The exposition proceeds by a series of examples: variance of the sample median, error rates in a linear discriminant analysis, ratio estimation, estimating regression parameters, etc.

摘要来源：OpenAlex