Bootstrap Confidence Regions for Optimal Operating Conditions in Response Surface Methodology
本文关注的应用程序的引导方法来构建一个基于似然的置信区域的操作条件与最大的响应面约束到一个指定的区域。与基于平稳点的经典方法不同，对该置信区域的正确解释不依赖于未知的模型参数。此外，该方法不需要正态分布误差的假设。该方法被证明为凹下和鞍形系统的情况下，在两个维度。进行了模拟研究，以评估这些地区的覆盖概率。
2007-11-13 stat.ME
Parametric Bootstrap Confidence Intervals for the Multivariate Fay-Herriot Model
多变量Fay-Herriot模型在通过相关变量的小区域调查估计值或相同变量的历史调查估计值或两者之间的相关性来组合信息方面非常有效。虽然小面积估计的文献已经非常丰富，从多元模型的二阶有效置信区间的建设迄今为止很少受到关注。在本文中，我们发展了一个参数bootstrap方法，用于构造一个二阶有效的置信区间的一般线性组合的小面积均值使用多元Fay-Herriot正常模型。提出的参数自助法取代了困难和繁琐的解析推导的高效算法和高速计算机的力量。此外，该方法比解析方法更通用，因为参数自助法可以很容易地应用于任何模型参数估计方法和多元Fay-Herriot模型的方差-协方差阵的任何特定结构，避免了解析方法所需的所有繁琐和耗时的计算。我们应用我们提出的方法在构建置信区间的四口之家的收入中位数为美国的50个州和哥伦比亚特区。我们的数据分析表明，所提出的参数bootstrap方法通常提供更短的置信区间相比，相应的传统的直接方法。此外，从多变量模型得到的置信区间一般比相应的单变量模型短，这表明利用四人家庭的中位数收入与三人和五人家庭的中位数收入的相关性的潜在优势。
2020-06-26 stat.ME
Spectral bootstrap confidence bands for Lévy-driven moving average processes
本文研究了基于Lévy驱动的滑动平均过程的高频观测值，构造驱动Lévy过程的Lévy密度的Bootstrap置信区间的问题.使用Lévy密度的谱估计，我们提出了一种新的实现的乘数和经验的bootstrap构造置信带的紧凑集远离原点。我们还提供了置信带渐进有效的条件。
2022-11-12 math.ST stat.ME stat.TH
Inference procedures in sequential trial emulation with survival outcomes: comparing confidence intervals based on the sandwich variance estimator, bootstrap and jackknife
本研究通过模拟比较了序贯试验模拟中生存结局的多种置信区间构建方法，发现LEF自助法在小样本、低事件率场景下覆盖率最佳且计算高效，而三明治方差估计器在大样本、中高事件率时最优。
2024-07-12 stat.ME
Confidence Intervals for the Generalisation Error of Random Forests
包外误差通常用作基于集合的学习模型（如随机森林）中泛化误差的估计。我们目前的置信区间，这个数量使用delta方法后引导和刀后引导技术。这些方法不需要种植任何额外的树木。我们表明，这些新的置信区间有改善的覆盖性能的天真置信区间，在真实和模拟的例子。
2022-01-26 stat.ME
Simultaneous confidence bands for cumulative hazard via exchangeable bootstrap and box calibration
The Ohio State University（俄亥俄州立大学）
针对右删失数据中累积风险函数的重抽样置信带覆盖不足问题，提出结合可交换自助法与箱线校准的方法，在保留Nelson-Aalen比结构的同时构建置信带，渐近达到名义覆盖水平。
2026-07-01 stat.ME
Cheap subsampling bootstrap confidence intervals with applications to longitudinal causal inference
University of Copenhagen（哥本哈根大学）；Steno Diabetes Center Copenhagen（哥本哈根斯泰诺糖尿病中心）
提出一种基于Cheap Bootstrap的快速子抽样自助法，利用t分布分位数在少量重复下实现渐近线性估计量的理想覆盖率，并验证了其在半参数因果推断中的有效性与性能。
2026-10-02 stat.AP stat.ME
Improving Coverage Accuracy of Block Bootstrap Confidence Intervals
基于相关数据的块引导置信区间可以优于计算上更方便的正态近似，只有非平凡的学生化，在复杂的统计情况下，需要高度专业的治疗。我们提出了两种不同的方法来提高块引导置信区间在非常一般的条件下的准确性。第一个通过迭代块引导来校准覆盖水平。第二个计算Studentizing因素直接从块bootstrap系列，不需要非平凡的分析处理。这两种方法都涉及两个嵌套级别的块自举复位，并产生高阶精度与简单的调整块长度在两个复位级别。一个模拟研究报告，我们的理论提供实证支持。
2008-04-28 math.ST stat.ME stat.TH
Quantifying Uncertainty: All We Need is the Bootstrap?
Faculty of Computer and Information Science, University of Ljubljana（卢布尔雅那大学计算机与信息科学学院）
本文通过文献综述和模拟研究，证明非参数自助法可替代传统估计方法，且双重自助法优于BCa，能简化统计实践。
2025-10-14 stat.ME
Bias-Aware Confidence Intervals for Synthetic Control via Placebo-in-Time Bootstrap
Databricks
针对合成控制法在弱信号下系统偏差导致置信区间偏移的问题，提出时间安慰剂自举法直接估计偏差分布，实现轨迹无关的覆盖。
2026-06-24 stat.ME
Differentially Private Confidence Interval for Extrema of Parameters
本文的目的是在隐私保护下构造一个有效的参数极值的置信区间。通常对参数极值的统计推断往往存在选择偏差问题，而且在极值参数的许多应用场景中，往往需要保护数据的隐私，这一问题变得更加尖锐。本文针对指数分布族，提出了一种私有化的参数自助方法，以解决差分隐私方案下参数极值问题中的选择偏差问题.虽然通常的私有化参数自助法没有适当地解决选择偏差，我们证明了一个私有化的偏差校正项，建议的参数自助法可以导致一个有效的和高效的置信区间的参数极值。我们用高斯情形和回归情形说明了所提出的方法，并通过数值实验证明了所提出的方法的优点。
2023-03-06 stat.ME
moonboot: An R Package Implementing m-out-of-n Bootstrap Methods
moonboot包提供m-out-of-n自助法的实现，用于计算置信区间并估计tau(n)和m参数，通过模拟评估不同方法的性能。
2025-09-05 stat.ME
Computing p-values of LiNGAM outputs via Multiscale Bootstrap
结构方程模型和贝叶斯网络已被广泛用于研究连续变量之间的因果关系。最近，一种称为LiNGAM的非高斯方法被提出来发现这样的因果模型，并已在各个方向上扩展。LiNGAM的一个重要问题是，与任何统计方法一样，结果会受到数据随机抽样的影响。因此，应进行统计可靠性或置信水平分析。评估置信水平的常用方法是自助法。然而，由普通的Bootstrap方法计算的置信水平作为假设检验的概率值（$p$ -value）是有偏的。在本文中，我们提出了一个新的程序，应用先进的引导方法称为多尺度引导计算置信水平，即，LiNGAM输出的p值。多尺度自助法给出了无偏的$p$ -值与渐近更高的精度。人工数据上的实验证明了我们的方法的实用性。
2010-06-22 stat.ME stat.ML
Improving Variance and Confidence Interval Estimation in Small-Sample Propensity Score Analyses: Bootstrap vs. Asymptotic Methods
Duke University（杜克大学）
本文通过蒙特卡洛模拟比较了自助法与sandwich方法在小样本倾向评分分析中的表现，发现sandwich方法在小样本中表现不佳，而分层自助法能避免准分离问题，影响统计结论。
2025-11-14 stat.ME
Wild Bootstrap based Confidence Bands for Multiplicative Hazards Models
我们提出了新的基于重采样的方法来构造多状态Cox模型中累积风险函数的渐近有效的时间同时置信带。特别是，我们详细讨论了简单Cox模型的方法与不定常协变量，其中的数据可能会受到独立的右删失或左截断。在广泛的模拟，我们调查他们的有限样本行为。最后，对一个实例进行了分析.
2018-08-01 math.ST stat.ME stat.TH
A Geometric Approach to Confidence Sets for Ratios: Fieller's Theorem, Generalizations, and Bootstrap
本文提出了一种几何方法来确定随机变量X和Y的均值比E（Y）/E（X）的置信集。该方法将两个随机变量之比的置信集构造问题归结为一维随机变量均值的置信集构造问题。它适用于各种各样的情况。在正态分布随机变量的情况下，这样构造的置信集与标准的Fieller置信集一致。我们的建设的推广导致非常一般的分布类的精确和保守的置信集的定义，提供的联合期望（X，Y）的存在和线性组合的形式aX + bY是良好的行为。最后，我们的几何方法允许导出一个非常简单的引导方法，用于构建保守的置信度集的比率，在某些情况下，特别是在不对称的重尾制度。
2007-11-01 math.ST stat.ME stat.TH
Frequentist and Bayesian measures of confidence via multiscale bootstrap for testing three regions
针对期望参数未知的多元正态模型，讨论了基于Bootstrap概率的频率论$p$值和贝叶斯后验概率的计算方法.原假设表示为任意形状的区域。我们引入了新的参数模型的比例律的自助概率，使多尺度自助方法，这是专为单侧检验，也可以计算置信度的双侧检验，扩大适用范围更广泛的一类假设。参数估计的两步多尺度自举，也包括高阶项。模型选择不仅是我们方法的激励应用，而且是方法中的基本成分。频率论和贝叶斯之间的妥协是试图通过显示贝叶斯后验概率与noninformative先验解释为一个频率论$p$ -值的“零侧”测试。
2008-07-01 math.ST stat.ME stat.TH
Confidence intervals of prediction accuracy measures for multivariable prediction models based on the bootstrap-based optimism correction methods
在评估多变量预测模型的预测精度时，乐观修正对于防止偏倚结果至关重要。然而，在临床预测模型的大多数已发表论文中，预测准确度测量的点估计值通过适当的基于自举的校正方法校正，但其置信区间未校正，例如，DeLong的置信区间通常用于评估C统计量。这些朴素的方法不调整乐观偏差，也不考虑预测模型中参数估计的统计变异性。因此，它们的预测准确性度量的真实值的覆盖概率可能严重低于标称水平（例如，95%）。在这篇文章中，我们提供了两种通用的bootstrap方法，即（1）位置移位bootstrap置信区间和（2）两阶段bootstrap置信区间，它们可以普遍应用于基于bootstrap的乐观校正方法，即，Harrell偏差校正、0.632和0.632+方法。此外，它们还可以广泛应用于各种预测模型开发方法，包括岭回归和套索回归等现代收缩方法。通过数值模拟评估，建议的置信区间表现出良好的覆盖性能。此外，目前的标准做法的基础上的优化未校正的方法显示出严重的覆盖不足的性质。为了避免错误的结果，在实际应用中不应使用最佳未校正的置信区间，而建议使用调整后的方法。我们还开发了R包predboot来实现这些方法（https：//github.com/nomahi/predboot）。所提出的方法的有效性说明通过应用GUSTO-I临床试验。
2021-07-25 stat.AP stat.CO stat.ME
Asymptotic coverage probabilities of bootstrap percentile confidence intervals for constrained parameters
研究了当参数受线性不等式约束时，常用的bootstrap百分位数置信区间的渐近行为。我们专注于重要的单样本和双样本问题的数据产生的一般参数分布的自然指数家庭。本文的重点是量化的覆盖概率的参数引导百分位数置信区间，特别是其限制行为的边界附近。我们提出了一个局部渐近框架来研究这种微妙的覆盖行为。在这个框架下，我们发现，当真参数上，或接近，限制边界，渐近覆盖概率总是可以超过标称水平在单样本的情况下，然而，他们可以，值得注意的是，在两个样本的情况下，在标称水平之下和之上。使用说明性的例子，我们的结果提供了理论依据和指导应用的引导百分位数方法约束推理问题。
2017-12-07 math.ST stat.CO stat.ME
Resampling-based confidence intervals and bands for the average treatment effect in observational studies with competing risks
本文针对观察性研究中带竞争风险的时间-to-event 终点，比较三种重抽样方法以构造因果风险差的置信区间和置信带，发现中等样本下 wild bootstrap 通常更优，并用霍奇金病生存数据加以验证。
2023-09-26 stat.ME
Local optimization-based statistical inference
本文介绍了一种基于局部优化的方法来检验统计假设和构造置信区间。这种方法可以看作是Bootstrap的推广，只要未知参数的估计量存在相合估计量，就可以得到渐近有效的检验和置信区间。我们提出了简单的算法，包括邻域引导方法来实现这种方法。文中给出了几个不容易进行理论分析的实例，以说明所提出方法的有效性。
2015-04-20 stat.ME
The DURATIONS randomised trial design: estimation targets, analysis methods and operating characteristics
背景设计试验以缩短治疗时间在包括结核病和抗生素在内的几个治疗领域非常重要。我们最近提出了一种新的随机试验设计，以克服标准双臂非劣效性试验的一些局限性。这种持续时间设计涉及将患者随机分配到多个持续时间组，并对所谓的持续时间-反应曲线进行建模。本文研究了从估计曲线中推断的不同统计方法的操作特性（1型和2型错误）。方法.我们的第一个估计目标是在特定的风险差裕度内不劣于控制（最大）持续时间的最短持续时间。我们比较了不同的方法来估计这个数量，包括使用模型置信带，三角洲方法和自助法。然后，我们探讨了结果的普遍性，估计目标，重点是绝对事件率，风险比和曲线的梯度。结果我们通过模拟表明，在大多数情况下，对于大多数估计目标，使用自举来估计目标持续时间周围的变异性，对于类似于功率和类型1错误的持续时间设计适当的量，会产生良好的结果。不建议使用模型置信带，而delta方法在某些情况下会导致膨胀的第1类错误，特别是当最佳持续时间非常接近随机持续时间之一时。结论.在DURATIONS设计中使用自助法估计最佳持续时间在广泛的场景中具有良好的操作特性，并且可以被希望设计DURATIONS试验以减少治疗持续时间的研究人员放心使用。围绕几个不同的目标的不确定性，可以估计这种自助方法。
2020-02-25 stat.ME
Bootstrapping Through Discrete Convolutional Methods
Bootstrapping被设计为使用蒙特卡罗技术从固定样本中随机重新采样数据。然而，原始样本本身定义了一个离散分布。卷积方法非常适合于离散分布，我们展示了利用这些技术的优势，自举。离散卷积方法可以为自举量提供精确的数值解，或者至少提供数学误差界。相比之下，蒙特卡罗bootstrap方法只能提供收敛缓慢的置信区间。另外，对于某些问题，卷积方法的计算时间可以显著地少于蒙特卡罗方法。这篇文章提供了几个使用卷积技术进行自举的例子，并将结果与蒙特卡罗自举和竞争鞍点方法的结果进行了比较。
2021-07-16 stat.ME
Change-point in stochastic design regression and the bootstrap
在本文中，我们研究了不同的bootstrap程序的一致性，以构建置信区间（CI）的唯一跳跃间断（变点），否则光滑的回归函数在随机设计设置。这个问题表现出非标准的渐近性，我们认为，在回归的标准引导程序未能提供有效的置信区间的变点。我们提出了一个版本的平滑引导，说明其显着的有限样本性能在我们的模拟研究，并证明了该程序的一致性。$n$引导程序中的$m$也被认为是一致的。我们还提供了充分条件的任何引导程序是一致的，在这种情况下。
2011-01-05 math.ST stat.ME stat.TH
A generalized bootstrap procedure of the standard error and confidence interval estimation for inverse probability of treatment weighting
在倾向得分分析中，通常使用治疗加权逆概率（IPTW）方法来推断回归模型中的因果效应。由于过大的IPTW权重和与倾向得分估计相关的误差，IPTW方法可能低估因果效应的标准误误差。为了弥补这一点，引导标准误差已被推荐来取代IPTW标准误，但普通的引导（OB）程序仍然可能会导致低估的标准误，因为它的效率低下的抽样算法和不稳定的权重。在本文中，我们开发了一个广义自助（GB）的程序估计的标准误的IPTW方法。与OB方法相比，GB方法低估标准误的风险要低得多，并且对于点估计和标准误估计都更有效。GB程序也有较小的标准误低估的风险比普通的Bootstrap程序与修剪的权重，具有可比的效率。我们通过模拟研究和国家教育纵向研究-1988（NELS-88）的数据集证明了GB程序的有效性。
2021-09-01 econ.EM stat.AP stat.ME
Bootstrapping Empirical Processes of Cluster Functionals with Application to Extremograms
在时间序列的极值分析中，不仅尾部行为是人们感兴趣的，而且序列相关性也起着至关重要的作用。Drees和Rootzén（2010）建立了一般经验过程的极限定理，这些经验过程被称为簇泛函，可以用来分析混合时间序列的极值行为的各个方面。然而，通常极限分布太复杂而不能直接构造置信区域。因此，我们建议一个乘数块自助模拟集群泛函的经验过程。结果表明，在与Drees和Rootzén（2010）所使用的几乎相同的条件下，有条件地对数据，自助过程收敛到相同的极限分布。这些一般结果被应用于构建Davis和Mikosch（2009）引入的经验极值的置信区域。在模拟研究中，我们的乘子块引导方法构造的置信区间与Davis等人提出的平稳引导方法相比毫不逊色。（2012年）。
2015-11-02 math.ST stat.ME stat.TH
Bootstrap aggregation and confidence measures to improve time series causal discovery
本文提出一种保留时间依赖与滞后结构的时间序列因果发现自助法，通过多数投票聚合得到 Bagged-PCMCI+，在提供链接置信度的同时提升精确率与召回率，尤其在样本少、变量多、自相关高的场景下效果显著。
2024-02-22 stat.ME stat.ML
Double bootstrapping for visualising the distribution of descriptive statistics of functional data
我们提出了一个双重引导程序，以减少覆盖误差的置信区间的描述性统计独立和同分布的功能数据。通过一系列的蒙特卡罗模拟，我们比较了有限样本的性能的单和双自助程序估计的分布的描述性统计量的独立和同分布的功能数据。在较长的计算时间的成本，具有相同的引导方法的双引导减少了置信水平误差，并提供比单引导更好的覆盖精度。加拿大气象站数据集的说明，双引导程序提供了一个工具，可视化的功能数据的描述性统计分布。
2021-02-01 stat.AP stat.CO stat.ME
Confidence intervals centred on bootstrap smoothed estimators: an impossibility result
本文基于决策论性能界限证明，在嵌套线性回归模型测试床中，不存在以自助法平滑估计量为中心且基于数据宽度的置信区间，能同时满足最小覆盖率与理想的缩放期望长度要求。
2019-10-21 math.ST stat.ME stat.TH
Autoregressive Wild Bootstrap Inference for Nonparametric Trends
在本文中，我们提出了一个自回归的野生自助方法来构建一个光滑的确定性趋势周围的置信带。自举法易于实施，在存在缺失数据的情况下不需要任何调整，这使得它特别适合于气候学应用。我们建立了一般条件下的逐点和同步置信带的自助方法的渐近有效性，允许一般模式的缺失数据，序列依赖性和异方差。在模拟研究中的方法的有限样本特性进行了研究。我们使用的方法来研究在日常测量的大气乙烷在瑞士阿尔卑斯山的气象站，在那里的方法可以很容易地处理由于不利的天气条件下，许多缺失的观测结果的趋势的演变。
2019-11-25 econ.EM stat.ME
Data augmented bootstrap: Unifying confidence interval construction by approximate invariance
Department of Statistics, University of Warwick（华威大学统计系）
提出数据增强自助法（DAB），利用数据的近似不变性构建置信区间，统一了经典自助法、共形预测等方法的理论，并引入数据增强启发式方法。
2026-06-17 cs.LG math.ST stat.ME
Resampling-free bootstrap inference for quantiles
Bootstrap推断是获得分位数和分位数差分估计的稳健推断的有力工具。Bootstrap推理的计算密集性使其在大规模实验中不可行。在本文中，Poisson bootstrap算法和分位数估计的理论特性，推导出替代的重新采样免费算法的Poisson bootstrap推断，大大降低了计算复杂性，没有额外的假设。这些发现与基于顺序统计量的分位数分析置信区间的现有文献有关。结果解锁自助推断的差异，分位数几乎任意大的样本。在Spotify，我们现在可以轻松地计算具有数亿个观测值的A/B测试中的分位数和分位数差异的自举置信区间。
2022-03-09 math.ST stat.CO stat.ME
Prepivoting composite score statistics by weighted bootstrap iteration
对数似然比的复合模拟在假设检验和设置置信区域中所起的作用并不像在典型似然设置中那样突出，因为它的渐近分布取决于未知参数。基于复合对数似然比的近似主元可以通过使用渐近参数来导出。然而，这种枢轴的实际分布可能与渐近参考有很大不同，导致测试和置信区域的水平远离标称值。在复合似然框架中使用自举而不是渐近分布进行了探讨。基于适当统计量的预旋转测试和置信度集被证明是准确的和计算上有吸引力的推理工具。
2013-01-29 math.ST stat.CO stat.ME
A Fast Bootstrap Algorithm for Causal Inference with Large Data
从大量的实验和观测数据中估计因果效应在工业和研究中变得越来越普遍。自助法是一种直观而强大的技术，用于构造估计量的标准误和置信区间。然而，其应用在涉及大数据的设置中可能要求过高。此外，基于机器学习和优化技术的现代因果推断估计器加剧了自举的计算负担。小靴带袋已被提出在非因果设置为大数据，但尚未被应用于评估因果效应的估计的属性。在本文中，我们介绍了一个新的引导算法称为因果袋的小引导因果推断与大数据。新算法在提供相合估计和理想的置信区间覆盖率的同时，显著提高了传统Bootstrap算法的计算效率。我们描述了它的属性，提供实际的考虑，并评估所提出的算法的性能方面的偏见，覆盖率的真实95%的置信区间，和计算时间在模拟研究。我们使用来自妇女健康倡议的大量观察数据集，将其应用于激素治疗对冠心病平均发病时间的影响的评估。
2023-02-06 stat.AP stat.ME stat.ML
The Wild Bootstrap for Multivariate Nelson-Aalen Estimators
我们严格地扩展了广泛使用的野生bootstrap恢复技术的多变量Nelson-Aalen估计Aalen的乘法强度模型。Aalen的模型涵盖了一般的马尔可夫多状态模型，包括独立左截断和右删失的竞争风险。这导致了各种统计应用，如渐近有效的置信带或等效性和比例风险的测试。这在检查通气对重症监护室停留时间的影响的数据分析中举例说明。有限样本性质的新程序进行了研究，在模拟研究。
2017-02-03 stat.ME
Optimal Debiased Inference on Privatized Data via Indirect Estimation and Parametric Bootstrap
Purdue University（普渡大学）；University of Pittsburgh（匹兹堡大学）
本文提出一种去偏参数Bootstrap框架，利用间接推断方法估计参数并改进推断，解决隐私机制引入的偏差问题，实现更准确的置信区间和假设检验。
2026-07-10 cs.CR stat.ME
Confidence Interval Construction for Multivariate time series using Long Short Term Memory Network
IIT Guwahati（印度理工学院古瓦哈蒂分校）
在本文中，我们提出了一个新的程序来构建一个置信区间的多元时间序列预测使用长短期记忆网络。该构造使用了一些新颖的块自举技术。我们还提出了一个创新的块长度选择程序，这些计划。两个新的基准帮助我们比较不同的自举技术的置信区间的建设。我们通过S\&P $500$和道琼斯指数数据集说明了整个结构。
2022-11-25 cs.LG q-fin.CP stat.CO
Revisiting sample size planning for receiver operating characteristic studies: a confidence interval approach with precision and assurance
目的：受试者工作特征曲线（AUC）下面积及其差值的估计是诊断研究中的一项关键任务。我们的目的是推导、评估和实施简单的样本量公式，用于此类研究，重点是估计而不是假设检验。材料与方法：通过明确纳入预先规定的精密度和保证度来开发样本量公式，精密度表示为置信区间的下限，保证度表示为达到该下限的概率。提出了一种新的方差函数，允许疾病和非疾病组的观测值的方差不等的有效估计。通过仿真对所提公式的性能进行了评价。结果：得到了封闭形式的样本量公式。仿真结果表明，所提出的公式产生的经验保证概率接近预先指定的保证概率和经验覆盖概率接近标称的95%。为了说明，给出了真实世界的工作实例。结论：基于AUC估计及其差异，建立了样本量公式。仿真结果表明，良好的性能，达到预定的精度和保证概率。一个用于实现所提出的公式的在线计算器可以在https://dishu.page/calculator/上公开获得。
2022-08-02 stat.ME
Confidence Corridors for Multivariate Generalized Quantile Regression
研究了多元非参数广义分位数回归函数的置信走廊构造问题。这种结构是基于一个合适的非参数估计和真正的功能感兴趣的一系列的近似步骤，包括Bahadur表示，一个新的强逼近定理和指数尾不等式高斯随机场之间的最大偏差的渐近结果。作为一个副产品，我们还获得了经典均值回归中的回归函数的置信走廊。针对渐近置信走廊覆盖概率误差缓慢减小导致小样本量覆盖率过低的问题，基于Bahadur表示的首项设计了一个简单的Bootstrap过程.这两个程序的有限样本性质进行了研究，通过模拟研究，它表明，自举程序大大优于渐近带的覆盖精度。最后，自助信任走廊被用来研究国家支持工作示范，这是一个随机的就业促进计划在20世纪70年代推出的有效性。本文有补充材料。
2015-02-02 math.ST stat.ME stat.TH
Selective inference for the problem of regions via multiscale bootstrap
对多元正态模型的参数空间中表示为任意形状区域的原假设，给出了一种选择性推断的一般假设检验方法.这种方法对于层次聚类是有用的，其中聚类的置信水平仅针对出现在树状图中的聚类来计算，因此受到严重的选择偏差。我们的计算是基于一个原始的置信度，称为自举概率，这是很容易通过计算有多少次相同的集群出现在自举复制的树状图。我们利用抽象参数空间中区域的几何量，即符号距离和中曲率的标度律来调整自举概率的偏差。虽然这一思想已被用于非选择性推理的层次聚类，其选择性推理版本还没有在文献中讨论。我们的偏差校正后的$p$值在区域光滑边界表面的大样本理论中具有渐进二阶精度，并且它们对于非光滑表面（例如多面体圆锥）也是合理的。的$p$ -值是渐近等价的迭代引导，但具有更少的计算。
2018-03-27 math.ST stat.ME stat.TH
Confidence Intervals for Random Forests: The Jackknife and the Infinitesimal Jackknife
我们研究了袋装学习者和随机森林的预测的变异性，并展示了如何估计这些方法的标准误。我们的工作建立在Efron（1992，2012）提出的Bagging方差估计的基础上，该估计基于刀切法和无穷小刀切法（IJ）。在实践中，袋装预测因子是使用有限数量B的自举重复来计算的，并且使用较大的B可能在计算上是昂贵的。将折刀估计和IJ估计直接应用于装袋需要B在n^{1.5}次自举重复的数量级上收敛，其中n是训练集的大小。我们提出了改进的版本，只需要B的顺序n次重复。此外，我们表明，IJ估计需要1.7倍以下的自举重复比刀切，以达到给定的精度。最后，我们研究了刀切和IJ方差估计本身的抽样分布。我们用多个实验和模拟研究来说明我们的发现。
2014-03-29 stat.CO stat.ME stat.ML
Bias-Corrected Multiplier Bootstrap Inference for Spectral Edges of Large Covariance Matrices
University of California, Davis（加州大学戴维斯分校）
针对大协方差矩阵谱边缘推断难题，提出偏差校正乘子自助程序，通过校准乘子扰动构建置信区间并校正偏移，证明其渐近有效性，能产生无阈值的尖峰数量估计器及数据驱动的碎石图截止值。
2026-07-31 math.ST stat.ME stat.TH
Efficient Construction of Test-Inversion Confidence Intervals Using Quantile Regression, With Application To Population Genetics
现代统计学中的问题往往包括高计算复杂性和复杂分布的估计。对此类估计量的统计推断通常依赖于渐近正态性假设，然而，由于数据的依赖性和其他原因，此类假设通常不适用于可用的样本量。一种常见的替代方法是使用重新采样程序，如自举，但这些可能是计算密集的程度，使他们不切实际的现代问题。本文提出了一种快速构造检验反演自举置信区间的方法。我们的方法使用分位数回归来模拟的分位数的估计条件的参数的真实值，我们将其应用于Watterson估计的突变率在一个标准的合并模型。我们证明了使用分位数回归相比，最先进的方法的基础上随机逼近，以达到可比的精度所需的模拟的数量来衡量，提高效率高达40%。
2016-12-07 stat.AP stat.ME
Bootstrap-based Hypothesis Test of 2D Contours using Elastic Shape Analysis
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）
提出一种基于弹性形状距离的经验置信区间假设检验方法，通过针对非光滑泛函的自助法处理距离不可微性，并在惯性约束聚变图像中验证有效性。
2026-07-09 stat.AP stat.ME
Resampling methods for private statistical inference
Stanford University（斯坦福大学）
本文提出两种差分隐私下的非参数自助法变体，通过私有计算数据分区上多次小自助法结果的中位数来构建置信区间，在保证与非私有方法相近误差率的同时，使置信区间长度显著缩短。
2024-06-03 cs.CR cs.LG stat.ME
Trading off Accuracy for Speedup: Multiplier Bootstraps for Subgraph Counts
我们提出了一类新的乘数引导计数泛函，范围从一个快速的，近似的线性引导适合稀疏，大规模的图形二次引导程序，提供更小，更密集的图形精确。对于快速，近似的线性自举，我们表明，$\sqrt{n}$一致的推理的计数功能是可以实现的，在一定的计算制度，依赖于稀疏水平的图形。此外，即使在更具挑战性的制度，我们证明，我们的引导程序提供了有效的覆盖范围和消失的置信区间。对于二次引导，我们建立了一个埃奇沃思展开，并表明，这个过程提供了高阶精度在适当的稀疏条件下。我们补充我们的理论结果与模拟研究和实际数据分析，并验证我们的程序提供了国家的最先进的性能几个泛函。
2022-04-07 math.ST stat.ME stat.ML
Robust Inference via Multiplier Bootstrap
本文研究了两个基本的统计推断问题的理论基础，置信集的建设和大规模的同时假设检验，在重尾数据的存在。对于重尾观测噪声，以样本均值为代表的基于最小二乘的方法的有限样本性质在理论上和经验上都是次优的。在本文中，我们证明了自适应Huber回归，结合乘数引导程序，提供了一个有用的鲁棒替代最小二乘法的最小二乘法。我们的理论和实证结果揭示了所提出的方法的有效性，并强调了具有强大的重尾推理方法的重要性。
2019-03-18 math.ST stat.ME stat.TH
Unbiased Statistical Estimation and Valid Confidence Intervals Under Differential Privacy
提出一种基于BLB和CoinPress广义算法的差分隐私方法，可在高维下生成无偏参数估计和有效置信区间。
2024-02-14 cs.CR math.ST stat.ME
Quantifying Uncertainty in Random Forests via Confidence Intervals and Hypothesis Tests
这项工作开发了正式的统计推断程序的机器学习集成方法。基于自举的包围方法，如装袋和随机森林，提高了单个树的预测精度，但未能提供一个框架，其中分布的结果可以很容易地确定。我们考虑通过对训练集的子样本构建的树进行平均来进行预测，而不是聚合完整的自举样本，并证明所得估计量采用U统计量的形式。因此，各个特征向量的预测是渐近正态的，允许置信区间伴随预测。在实践中，子样本的子集用于计算速度;在这里，我们的估计量采用不完全U统计量的形式，并得出等效的结果。我们进一步证明，这种设置提供了一个框架来测试功能的重要性。此外，我们开发的内部估计方法允许我们估计方差参数，并在没有额外的计算成本进行这些推理程序。提供了一个真实的数据集上的模拟和插图。
2015-09-10 stat.AP stat.CO stat.ME
Can we trust the bootstrap in high-dimension?
我们考虑线性回归设置的高维度的自举的性能，其中$p<n$但$p/n$不接近于零。我们认为普通的最小二乘以及强大的回归方法，并采用最低限度的性能要求：可以引导给我们一个很好的置信区间为一个单一的坐标$β$？（其中$β$是真实回归向量）。我们表明，通过混合的数值和理论工作的引导充满了问题。两种最常用的回归自举方法--残差自举和配对自举--随着比率$p/n$的增长，对$β$的推断非常差。我们发现，残差自举法倾向于给出反保守估计（膨胀的第一类错误），而配对自举法给出非常保守的估计（严重的功率损失），因为比率$p/n$的增长。我们还表明，刀切恢复技术估计的方差$\hatβ$严重高估的方差在高维度。我们的理论结果，减轻这些问题的基础上，我们提供替代引导程序。然而，校正取决于关于底层数据生成模型的假设，这表明在高维中可能难以具有通用的、鲁棒的自举技术。
2016-08-02 math.ST stat.ME stat.ML
An accurate percentile method for parametric inference based on asymptotically biased estimators
针对参数推断中估计量可能渐近有偏的问题，提出隐式自举法，构建渐近有效且可达二阶精度的百分位置信区间，并在标准自举失效的三种情形下保持精确。
2024-09-19 math.ST stat.CO stat.ME
