New confidence interval methods for Shannon index
影响群落结构的若干因素，包括生物、物理和化学现象，影响以香农熵等多样性指数衡量的生物多样性的量化。然后，一旦获得点估计，通常使用置信区间方法，如自助法。然而，这些方法可能具有不同的性能，许多作者在过去十年中已经揭示了这一点。此外，估计分布的不对称性和香农多样性指数估计偏差的可能性等问题可能会导致向研究界提出不正确的建议。因此，我们提出了两种方法，并将它们与其他七种方法进行比较，使用它们的性能来面对这些问题。第一个想法使用可信区间（CI）方法来建立自助置信区间。第二种方法从纠正偏差开始，然后使用渐近方法。我们考虑了27个群落结构，分别代表高优势度、高共优势度和中等优势度的情景，物种数分别为4、20或80和10、50或500个个体，以比较它们的表现。然后，我们生成了1000个样本，建立了95%的置信区间，并计算了每个社区结构包括社区多样性指数（覆盖率）的次数百分比。我们的研究结果表明，这两种方法来估计香农的多样性的可行性。仿真研究表明，bootstrap-t技术具有最佳性能，即，最佳覆盖率，与其他方法相比。最后，我们通过将其应用于原始蚜虫和寄生虫物种数据集来说明该方法。当分析的社区结构与模拟的社区结构相似时，我们推荐使用bootstrap-t。此外，该方法提供了高性能的高优势的情况下。
2022-04-21 q-bio.QM stat.AP
A Cheap Bootstrap Method for Fast Inference
自助法是一种通用的推理方法，在许多统计问题中已经证明是强大的。然而，当应用于现代大规模模式时，它可能面临大量的计算需求，重复的数据恢复和模型拟合。我们提出了一个引导方法，使用最少的计算，即与低至一个蒙特卡罗复制的重采样工作，同时保持理想的统计保证。我们提出了这种方法的理论，使用一个扭曲的角度从标准的引导原则。我们还提出了这种方法的概括嵌套抽样问题和一系列的子采样变量，并说明它如何可以用于快速推断不同的估计问题。
2022-01-31 math.ST stat.CO stat.ME
Snowboot: Bootstrap Methods for Network Inference
复杂网络被用来描述各种不同的社会系统和自然现象，从电网到客户细分再到人脑连接体。参数模型规范和验证的挑战激发了对复杂网络推理的更多数据驱动和灵活的非参数方法的探索。本文讨论了随机网络上的两种引导过程的方法和R实现，即Thompson et al.（2016）和Gel et al.（2017）的拼接引导和Snijders和Borgatti（1999）的顶点引导。据我们所知，新的R包snowboot是R中网络上顶点和拼接引导推理的第一个实现。我们的新软件包附有详细的用户手册，并与网络研究igraph上流行的R软件包兼容。我们评估补丁引导和顶点引导广泛的模拟研究，并说明其实用程序在现实世界的网络分析中的应用。
2019-02-24 cs.SI physics.soc-ph stat.CO
Applications of threshold models and the weighted bootstrap for Hungarian precipitation data
本文介绍了应用的峰值超过阈值的方法为单变量和最近推出的双变量的情况下，结合一种新的自助方法。我们比较建议的自助方法，更传统的配置文件的可能性。我们已经调查了63年的欧洲气候评估日降水量数据的5个匈牙利网格点，首先分别为夏季和冬季月份，然后旨在检测可能的变化，通过调查20年移动窗口。我们发现，在单变量和双变量的情况下，都可以观察到显着的变化，最近的时期是最危险的，因为这里的回报水平是最高的。我们说明了这些影响的双变量覆盖区域。
2013-10-29 math.ST stat.AP stat.TH
Regenerative bootstrap for $β$-null recurrent Markov chains
本文证明了两种再生自助法在β-零常返马尔可夫链不变测度积分估计中的有效性，并推广了随机指标序列的中心极限定理。
2024-07-07 math.ST stat.TH
Bootstrapping the Kaplan-Meier Estimator on the Whole Line
本文证明了Efron（1981）的Bootstrap方法在生存函数的全支撑下Kaplan-Meier估计的相合性。虽然其他作品解决了估计本身的渐近高斯性而不限制时间（例如Gill，1983，Ying，1989），但我们可以为整个生存函数构建基于Bootstrap的时间同步置信带。其他的实际应用包括基于Bootstrap的平均剩余寿命函数或洛伦兹曲线的置信带，以及基尼指数的置信区间。
2016-05-18 math.ST stat.TH
Asymptotic Distribution of Robust Effect Size Index
Vanderbilt University（范德堡大学）；Vanderbilt University Medical Center（范德堡大学医学中心）
本文提出了一种稳健效应量指数的渐近分布理论，通过泰勒展开方法替代 bootstrap，提升高维研究中的推断效率。
2026-01-26 math.ST stat.ME stat.TH
Bootstrapping Fisher Market Equilibrium and First-Price Pacing Equilibrium
本文首次为线性 Fisher 市场和第一价格 pacing 均衡建立统计有效的自举推断程序，通过 epi-收敛理论解决受约束 M-估计量自举难题，并用实验验证理论。
2025-03-09 cs.GT econ.EM math.ST
Does a Developed Comorbidity Index Really Add Value? A Selection-Aware Bootstrap for Post-Selection Concordance
University of British Columbia（不列颠哥伦比亚大学）；St. Paul’s Hospital（圣保罗医院）
研究特定疾病合并症指数开发中标准乐观校正的问题，提出选择感知自举法，通过在重采样中重新运行最佳选择消除结构偏差，经模拟和实验验证该方法能有效改进置信区间，提高判别准确性。
2026-07-15 stat.AP stat.ME
Empirical and multiplier bootstraps for suprema of empirical processes of increasing complexity, and related Gaussian couplings
我们得到强逼近的上确界的非中心经验过程索引的可能无界VC型函数类的高斯和自助过程的上确界。这些近似的界限是非渐近的，这使我们能够处理复杂性随样本量增加的函数类。耦合的构造不是匈牙利类型的，而是基于Slepian-Stein方法和高斯比较不等式。函数类的日益复杂性和过程的非中心性使得结果对于现代非参数统计的应用非常有用（Giné和Nickl，2015），特别是允许我们使用高斯和自举近似来研究非参数检验的功效特性。
2015-09-06 math.ST stat.TH
Stratified Bootstrap Test Package
分层抽样检验测试包通过非参数重采样方法评估多变量数据中群体排序的稳定性，并用于统计推断和公平性审计。
2025-12-17 stat.CO stat.ME
Gaussian and bootstrap approximations for functional principal component regression
George Mason University（乔治梅森大学）
本文通过适当算子缩放建立函数主成分回归估计器的高斯和bootstrap近似，解决了传统认为无法直接进行统计推断的问题，并展示了其在检验斜率函数显著性方面的强大性能。
2026-07-27 math.ST stat.ME stat.TH
Reference-State Bootstrap Correction and Kernel Characterization of Residual-Based Fit Indices in Structural Equation Models
Korea University（韩国大学）
该研究针对结构方程模型中基于残差的拟合指数的抽样误差问题，提出参考自助校正方法，验证了其有效性并明确了解析估计值的适用场景。
2026-10-14 math.ST stat.ME stat.TH
Amortized Inference for Sampling Distributions Where the Bootstrap Fails
Texas Tech University（德州理工大学）
研究自举法失效时抽样分布估计问题，提出用神经网络基于弹球损失训练进行摊销推断，该方法在四个典型问题上表现良好，在瓦瑟斯坦距离上优于经典方法，在风险价值问题上也有较好覆盖率，还有单一通用网络匹配多个专门网络的优势。
2026-07-21 stat.ME stat.ML
Weighted bootstrap in GARCH models
在研究波动性变化是显著特征的现象（如大多数金融数据）时，GARCH模型是有用的工具。通过准最大似然（QMLE）的参数估计和它的性质是现在很好地理解。然而，在实际应用和理论之间存在差距，因为在现实中通常没有足够的观测结果使极限结果成为有效的近似值。我们试图填补这一空白，本文中，最近的自举方法的背景下，甘精胰岛素模型的属性被揭示。结果是有希望的，因为事实证明，这种非常简单的方法具有基本上相同的极限分布，作为原始估计的优势，易于置信区间建设，因为它是证明在文件中。有限样本性质的建议估计进行了研究，通过模拟研究，这确保了结果是实际适用的样本量低至一千。另一方面，直到样本量达到10万，结果才是100%准确的-但它表明，该属性不仅是我们的引导程序的功能，因为它是由原来的QMLE共享，太。
2012-09-06 math.ST stat.TH
Adaptive Bootstrap Tests for Composite Null Hypotheses in the Mediation Pathway Analysis
针对中介路径分析中复合零假设导致现有检验过于保守且功效不足的问题，提出自适应自助法检验框架，应用于系数乘积检验和联合显著性检验，在控制第一类错误的同时显著提升统计功效。
2023-10-17 math.ST stat.ME stat.TH
An asymptotic total variation test for copulas
我们提出了一个新的拟合优度检验copula，基于经验copula过程和他们的非参数自助配对。基于经验copula过程的上确界，将Copula的标准Kolmogorov-Smirnov型检验推广到以半空间为指标的经验copula过程的上确界，并利用检验统计量对经验copula过程的上确界进行了推广，其中L n是一个缓慢趋于无穷大的矩形.虽然潜在的经验过程不收敛，它被证明，我们的新的检验统计量的p值可以一致估计的自助。仿真结果表明，新的程序的功率是高于标准的Kolmogorov-Smirnov测试的Copula的功率。
2013-12-02 math.ST stat.TH
Nonparametric Block Bootstrap Kolmogorov-Smirnov Goodness-of-Fit Test
本文针对平稳序列相关数据中KS拟合优度检验的非参数自助偏差校正缺失问题，提出基于非参数分块自助的偏差校正方法，并通过模拟和S&P 500股票收益实证验证其检验水平与功效。
2025-11-07 stat.ME
The bootstrap in kernel regression for stationary ergodic data when both response and predictor are functions
考虑双泛函非参数回归模型$Y=r(X)+ε$，其中响应变量$Y$是希尔伯特空间值，协变量$X$取值于伪度量空间.数据满足遍历性标准，该标准可以追溯到Laib和Louani（2010），并以三角形阵列排列。因此，我们的模型也适用于从空间过程中获得的样本，例如，对于某些$N\in\mathbb{N}_+$，由规则格点$\mathbb{Z}^N$索引的平稳随机场。本文考虑了回归算子$r$的Nadaraya-Watson型核估计，并研究了它在希尔伯特空间上的极限律.此外，我们调查了一个天真的和野生的自举过程中的双功能设置，并证明其渐近有效性。这是非常有用的，因为基于渐近高斯分布构建置信集通常很困难。
2018-06-26 math.ST stat.TH
Nonparametric estimation of the first order Sobol indices with bootstrap bandwidth
假设$Y = ψ(X_1, \ldots, X_p)$，其中$(X_1,\ldots, X_p)^\top$是随机输入，$Y$是输出，$ψ(\cdot)$是未知链接函数。Sobol指数通过估计它们之间的回归曲线的可变性来衡量每个$X$对$Y$的敏感性。在本文中，我们估计这些曲线与基于核的方法。当自变量和因变量之间的联系未知时，该方法允许估计一阶指数。基于核的方法需要带宽来平均观测值。对于有限样本，交叉验证方法是著名的，以确定该带宽。然而，它产生了结构性偏差。为了弥补这一点，我们提出了一个自助程序，重建模型残差和重新估计的非参数回归曲线。使用新的一组曲线，该程序纠正了Sobol指数中的偏差。为了测试所开发的方法，我们实现了模拟的数值例子与复杂的功能。
2019-04-17 stat.CO stat.ME
Central limit theorems and bootstrap for sparse regularized multimarginal optimal transport and barycenters
University of Southern California（南加州大学）；Columbia University（哥伦比亚大学）；California Institute of Technology（加州理工学院）
针对高维多样本Wasserstein重心估计，提出稀疏正则化多边际最优传输方法以避免熵正则化的质量过度扩散，并建立了相合性、中心极限定理与自助法有效性，数值实验验证其结构保持优势。
2026-09-10 math.ST stat.TH
Regression estimator for the tail index
尾部指标参数的估计是极值理论的主要目标之一。对于重尾分布，Hill估计是估计尾部指标参数的最常用方法。最近的工作旨在用不同的方法改进Hill估计，例如使用bootstrap或Kolmogorov-Smirnov度量。这些方法是渐近一致的，但对于尾部指数$ξ>1$和较小的样本量的估计未能接近理论值的实际样本量。在本文中，我们介绍了一种新的经验方法，它可以很好地估计高尾指数参数，也可能是有用的相对较小的样本量。
2018-06-04 math.ST stat.ME stat.TH
Identifying arbitrary transformation between the slopes in scalar-on-function regression
Johns Hopkins University（约翰斯·霍普金斯大学）；IIT Kanpur（坎普尔印度理工学院）
本文提出了一种检验标量-函数回归中斜率函数与任意垂直轴变换相关联的统计方法，并通过模拟数据和DTI数据验证了其有效性。
2025-12-08 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
Testing Many Constraints in Possibly Irregular Models Using Incomplete U-Statistics
针对约束数大于等于样本量且零假设非正则导致标准近似失效的检验难题，提出基于不完全U-统计量与高斯乘子自助法的通用检验方法，在非正则与高维设定下控制第一类错误，并应用于多元数据隐树模型拟合优度检验。
2024-02-16 math.ST stat.ME stat.TH
Robust model selection in generalized linear models
本文将Mueller和Welsh（2005; JASA）提出的线性回归模型的稳健模型选择方法推广到广义线性模型（包括Logistic和其他二元回归模型、Poisson回归和Gamma回归模型）。与Mueller和Welsh（2005）一样，我们将样本拟合的鲁棒惩罚度量与样本外预测能力的鲁棒度量相结合，该样本外预测能力使用后分层m-out-of-n bootstrap进行估计。一个关键的想法是，该方法可以用来比较不同的估计（鲁棒和非鲁棒）以及不同的模型。即使专门回到线性回归模型，本文提出的方法改进了Mueller和Welsh（2005）。特别是，我们使用了一个新的偏差调整自助估计，避免了需要中心的解释变量，并包括在每个模型中的截距。我们还使用了比Mueller和Welsh（2005）更复杂的参数来建立基本单调性条件。
2007-11-15 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
Confidence Intervals and Hypothesis Testing for the Permutation Entropy with an application to Epilepsy
在非线性动力学中，以及在较小程度上在其他领域中，广泛使用的复杂性度量是排列熵。但目前还没有一种已知的方法来确定这种测量的准确性。关于表征时间序列的这个量的统计特性的研究很少。文献中描述了一些非线性动力学中使用的数量恢复方法-最大李雅普诺夫指数-但所有这些似乎都失败了。在这方面的贡献，我们提出了一个参数引导方法，使用符号表示的时间序列，以获得分布的排列熵估计。我们进行了几个时间序列模拟由众所周知的随机过程：1=f？噪声的家庭，并在每种情况下表明，建议的准确性措施是有效的重复实验的频率论方法获得的。脑电活动的复杂性，即排列熵，在癫痫研究中被广泛用于检测脑电信号的动态变化，但没有考虑到这种复杂性的变化。应用的参数引导方法是用来比较正常和发作前的EEG信号。
2017-05-18 physics.med-ph stat.AP stat.ME
Multivariate stable distributions and their applications for modelling cryptocurrency-returns
在本文中，我们将已知的拟合稳定分布的方法扩展到多变量情况，并将建议的方法应用于每日加密货币收益数据的建模。将调查的时间段分为10个不重叠的部分，因此也可以观察到变化。我们应用自举检验来检查模型，并将我们的方法与更传统的极值和Copula模型进行比较。
2018-10-22 q-fin.ST stat.AP
Fast Algorithms for the Quantile Regression Process
分位数回归方法的广泛使用关键取决于快速算法的存在。尽管有许多算法的改进，计算时间仍然是不可忽略的，因为研究人员经常估计许多分位数回归，并使用引导推理。本文提出了两种新的快速算法，用于估计多个分位指数下的分位数回归序列。第一种算法应用Portnoy和Koenker（1997）的预处理思想，但利用先前估计的分位数回归来猜测残差的符号。这一步骤可以减少有效样本量。第二种算法从以前估计的分位数回归在一个类似的分位数指数，并更新它使用一个单一的牛顿-拉夫森迭代。第一种算法是精确的，而第二种算法只是渐近等价于传统的分位数回归估计。我们还将预处理的思想应用到自助样本中，通过使用样本估计来猜测自助样本中残差的符号。仿真结果表明，我们的新算法提供了非常大的改进，在计算时间没有显着的（如果有的话）成本的估计质量。例如，我们将估计99个分位数回归所需的时间除以100，其中包含20个回归变量和50，000个观测值。
2020-04-06 econ.EM stat.CO stat.ME
Bootstrap tests for almost goodness-of-fit
本文提出“几乎拟合优度”检验，通过基于M-estimator和L^p距离的统计量，结合两种自助法方案，评估参数模型在预设误差容限内对观测样本分布的近似表示能力，并量化其相对无信息基准的改进。
2025-10-14 math.ST stat.AP stat.ME
3D mean Projective Shape Difference for Face Differentiation from Multiple Digital Camera Images
本文给出了数值空间中流形上外平均对象相等性的非参数假设检验方法。在一般设置中获得的结果的情况下，通过二次Veronese-Whitney（VW）嵌入的对称矩阵的空间中表示的3D投影形状的进一步详细说明。本文推导了有限三维构形随机投影形状的公共VW均值的大样本非参数Bootstrap置信区域。作为一个例子，VW MANOVA测试方法被应用于通过Agisoft PhotoScan技术从数字图像中检索的$3D$面部配置的独立投影形状的多样本均值问题。
2017-04-27 stat.ME
Interval estimators for inequality measures using grouped data
收入不平等的衡量标准往往被用来衡量经济健康状况。如何根据抽样数据获得这些测度的可靠置信区间，近年来得到了广泛的研究。为了保密，收入数据往往只以摘要形式提供（即直方图、五分位数之间的频率等）。在本文中，我们表明，可以实现良好的覆盖率为引导和Wald型区间的分位数为基础的措施时，只有分组（装箱）的数据。这些覆盖率通常优于那些我们已经能够实现的区间流行的措施，如基尼指数在这个分组的数据设置。为了便于自举，我们使用广义λ分布和线性插值近似方法来近似底层密度。如果有团体手段，后者是可能的。我们还将我们的方法应用于真实数据集。
2019-07-19 stat.AP
Comparison of Confidence Interval Estimators: an Index Approach
在许多统计问题中，一个参数的区间估计通常有多个估计量，因此，选择合适的估计量是很重要的。一个好的估计量的标准是具有接近标称水平的高覆盖概率和较短的区间长度。然而，这两个概念是相互对立的：高覆盖率和低覆盖率分别与较长和较短的间隔长度相关联。一些方法，如自举校准，修改标称水平，以提高覆盖率，从而允许仅基于间隔长度选择间隔。然而，这些方法在计算上是昂贵的。在本文中，我们提出了一个指数，它提供了一个易于计算的方法比较置信区间估计之间的妥协的基础上的覆盖概率和置信区间长度。我们说明了置信区间指数具有在覆盖概率范围[0，1]的邻域内的值的范围。此外，好的置信区间估计量具有接近1的指标值;而坏的置信区间具有接近0的指标值。进行了模拟研究，以评估有限样本的性能的指数。建议的指数说明了一个实际的例子，从文献
2018-10-09 stat.CO stat.ME
cutpointr: Improved Estimation and Validation of Optimal Cutpoints in R
二进制分类任务的“最佳分割点”通常通过测试哪个分割点产生最佳区分来建立，例如在特定样本中的Youden指数。这会导致“最佳”切割点高度可变，并系统性地高估了样本外性能。为了解决这些问题，cutpointr软件包提供了强大的方法来估计最佳切割点和样本外的性能。稳健方法包括基于核估计的自举和平滑、广义可加模型、平滑样条和局部回归。这些方法可以应用于广泛的二进制分类和基于成本的度量。cutpointr还提供了利用用户定义的度量和估计方法的机制。该软件包具有并行引导的能力，包括可再现的随机数生成。此外，它是管道友好的，例如与tidyverse的函数兼容。包括用于绘制接收器操作特征曲线、精确召回图、自举结果和数据的其他表示的各种函数。该软件包包含来自一项关于心理特征和自杀企图的研究的示例数据，适用于应用二元分类算法。
2020-02-21 stat.CO
A bootstrap approach for testing invariance under parameterized group actions: orthogonal reflections and axial symmetry
Centro de Matemáticas, Facultad de Ciencias, Universidad de la República（乌拉圭共和国大学理学院数学中心）；Departamento de Matemáticas, Estadística y Computación, Universidad de Cantabria（坎塔布里亚大学数学、统计与计算系）；Instituto de Estadística, Facultad de Ciencias Económicas y de Administración, Universidad de la República（乌拉圭共和国大学经济与管理学院统计研究所）
针对多元分布未知方向的轴向对称性检验问题，利用协方差矩阵的简单谱假设将候选方向缩减为有限个，通过投影数据和样本分裂构造Kolmogorov-Smirnov型统计量，并证明其渐近分布和bootstrap有效性。
2026-09-09 math.ST stat.TH
Comparing regression curves -- an $L^1$-point of view
在本文中，我们比较两个回归曲线，通过测量它们之间的差异的两条曲线，由它们的$L^1$距离表示的面积。我们为这一测量和统计检验开发了渐近置信区间，以研究两条曲线的相似性/等效性。为了得到具有良好有限样本性质的等价性检验程序，本文提出了一种Bootstrap方法，并严格证明了该方法的一致性。有限样本的性质进行了研究，通过一个小的模拟研究。
2023-02-02 math.ST stat.TH
Gaussian approximation to the extreme value index estimator of a heavy-tailed distribution under random censoring
我们利用经验过程理论来近似的适应希尔估计，删失数据，在高斯过程。然后，我们得到了它的渐近正态性，只有在通常的二阶正则变化的条件下。我们的方法允许放松的假设，在Einmahl，Fils-Villetard和Guillou（2008），重尾分布函数和样本分数的上顺序统计量。
2015-07-06 math.ST stat.TH
Profile Estimation for Partial Functional Partially Linear Single-Index Model
本文研究了一个由函数线性分量和线性单指标分量组成的\textit{partial functional partially linear single-index model}。该模型推广了许多已知的现有模型，适用于更复杂的数据结构。然而，它的估计继承了这两个组成部分的困难和复杂性，使其成为一个具有挑战性的问题，这需要新的方法。提出了一种新的轮廓B样条方法，通过B样条逼近单指标分量部分的未知非参数连接函数，而函数分量部分的线性斜率函数由函数主成分基估计.证明了参数估计的相合性和渐近正态性，并证明了线性斜率函数估计的整体收敛。更令人兴奋的是，后一种收敛在极大极小意义下是最优的。一个两阶段的过程来实现估计的非参数链接函数，并由此产生的估计具有最佳的全局收敛速率。此外，还得到了预测器的均方预测误差的收敛速度。经验性质的建议程序进行了研究，通过Monte Carlo模拟。一个真实的数据例子进行了分析，以说明所提出的方法的权力和灵活性。
2017-03-08 math.ST stat.ME stat.TH
Education journal rankings: A diversity-based Author Affiliation Index assessment methodology
本文提出纳入顶尖机构多样性的AAID指标，结合AAI与加权AAI评估263种SSCI教育期刊，发现其与JIF和ES相关性较低，为期刊声望评价提供新视角。
2023-10-10 cs.DL
A new methodology for comparing Google Scholar and Scopus
提出了一种新的方法来比较谷歌学术（GS）与其他引文索引。它侧重于来源的覆盖范围和引用影响，索引速度和数据质量，包括重复引用计数的影响。该方法比较GS与爱思唯尔的Scopus，并适用于有限的一组文章发表在12种期刊从6个学科领域，使其研究结果不能推广到所有期刊或领域。该研究是探索性的，假设生成而不是假设检验。它证实了在早期研究中获得的来源覆盖率和引用影响的结果。GS与Scopus引用的比率在不同学科领域之间在1.0和4.0之间变化，而样本中的开放获取期刊显示出比非开放获取期刊更高的比率。GS和Scopus引文计数在文章水平上的线性相关性很高：Pearson's R在0.8-0.9之间。与GS相比，Scopus索引延迟的中位数为两个月，这在很大程度上是由于Scopus中出版的文章中缺少引用的参考文献。在GS中，由于元数据相同或基本相似的多次引用而造成的双重引用计数的影响发生在不到2%的情况下。文章为基础的，什么是所谓的基于概念的引文索引的优点和缺点进行了讨论。
2016-04-30 cs.DL
