Analytic Bias Reduction for $k$-Sample Functionals
我们给出了非参数偏差减少的分析方法，消除了需要计算密集型的方法，如引导和折刀。我们称估计为{ \it $p$ th order}，如果它的偏差具有$n_0^{-p}$作为$n_0 \to \infty$的幅度，其中$n_0$是样本大小（或最小样本大小，如果估计是一个以上样本的函数）。大多数估计都是一阶的，需要O（N）计算，其中$N$是总样本量。通常的自助法和折刀法估计是二阶的，但它们是计算密集型的，需要对一个样本进行$O(N^2)$计算。相比之下，Jaeckel的无穷小折刀是一个解析的二阶单样本估计，只需要O（N）计算。当$p$阶自举和折叠估计可用时，它们需要$O(N^p)$计算，因此如果选择$p>2$，则计算变得更加密集。对于一般的$p$，我们提供了解析的$p$阶非参数估计，只需要O（N）的计算。我们的估计给出的冯米塞斯衍生工具的功能估计，评估的经验分布。对于产品的时刻存在一个无偏估计：我们的形式为这个“polykay”是简单得多，比通常的形式在权力和。
2009-03-17 stat.ME
Compressed sensing with a jackknife and a bootstrap
本研究将jackknife与bootstrap用于压缩感知误差估计，以完整误差图像呈现潜在伪影和异常掩盖风险，并在有真实值的数据上验证其代表性。
2018-09-18 eess.IV eess.SP stat.ME
Jackknife multiplier bootstrap: finite sample approximations to the $U$-process supremum with applications
本文研究了以函数类为指标的一般阶非退化$U$ -过程的上确界的有限样本逼近。我们主要感兴趣的情况下，函数类以及潜在的分布变化的样本量，和$U$ -过程本身不是弱收敛的过程。这种情况出现在各种现代统计问题中。我们首先考虑高斯近似，即近似的$U$过程的上确界的高斯过程的上确界，并推导出耦合和Kolmogorov距离的界限。然而，这种高斯近似通常不直接应用于统计问题，因为近似高斯过程的协方差函数是未知的。这促使我们研究自举型逼近的$U$ -过程上确界。我们提出了一种新的刀切乘法器自举（JMB）量身定制的$U$ -过程，并推导出耦合和Kolmogorov距离的建议JMB方法的界限。所有这些结果都是非渐近的，并建立在相当一般的条件下的函数类和潜在的分布。证明中的关键技术工具是$U$ -过程的新的局部极大不等式，这在其他问题中可能是有用的。我们还讨论了应用的一般逼近结果的定性特征的非参数函数的测试的基础上广义局部$U$ -过程。
2019-02-14 math.PR math.ST stat.ME
A Swiss Army Infinitesimal Jackknife
机器学习算法的误差或可变性通常通过使用观察数据的不同加权版本重复重新拟合模型来评估。普遍存在的交叉验证（CV）工具和bootstrap就是这种技术的例子。这些方法在很大程度上是强大的，因为它们的模型不可知论，但由于需要反复重新拟合模型，因此在现代大型数据集上运行可能很慢。在这项工作中，我们使用线性近似的拟合过程的权重的依赖性，产生的结果，可以比重复重新拟合的数量级更快。这种线性近似在统计学文献中有时被称为“无穷小折刀”，它主要用作证明渐近结果的理论工具。我们提供了明确的有限样本误差界的无穷小折刀在一个简单的，可验证的假设。我们的研究结果适用的权重和数据是否是随机的或确定性的，因此可以被用来作为一种工具，证明各种各样的问题的无穷小折刀的准确性。作为一个推论，我们状态温和的正则条件下，我们的近似一致估计真正的离开- $k$ -出交叉验证任何固定的$k$。这些理论结果与现代自动微分软件一起，支持无穷小折刀应用于机器学习中的各种实际问题，提供了“瑞士军队无穷小折刀”。我们证明了我们的方法在一系列模拟和真实数据集上的准确性。
2020-02-07 stat.ME
Efficient Bias Correction for Cross-section and Panel Data
该研究证明渐近线性的偏差校正方法对半参数高效参数估计量的高阶方差无影响，验证了自助法、刀切法等的渐近线性性，指出拆分样本刀切法高阶方差更大，为截面与面板数据的偏差校正方法选择提供理论依据。
2024-01-26 econ.EM stat.ME
The Bayesian Infinitesimal Jackknife for Variance
针对贝叶斯估计量频率学派协方差近似方法计算不便的问题，提出基于influence function的infinitesimal jackknife (IJ)方法，证明其可从单组后验样本高效计算且与经典方法渐近等价，并通过实验验证了其准确性与计算优势。
2024-06-26 math.ST stat.ME stat.TH
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
Two-Step Estimation and Inference with Possibly Many Included Covariates
我们研究的影响，包括许多协变量在第一步估计进入两步估计程序。我们发现，一阶偏差出现时，\textit{included}协变量的数量是“大”相对于样本量的平方根，使标准的推理程序无效。我们表明，刀切是能够估计这一“许多协变量”的偏见一致，从而提供了一个新的自动偏差校正两步点估计。刀切法还一致地估计了原始两步点估计量的标准误差。对于推理，我们开发了一个有效的后偏差校正自助近似，占额外的变异性引入的折刀偏差校正。我们发现，刀切偏差校正点估计和自助后偏差校正推理表现出色的模拟，提供了重要的改进，传统的两步点估计和推理程序，这是不稳健的，包括许多协变量。我们将我们的研究结果应用于一系列不同的处理效应、政策评估和其他应用微观经济学环境。特别是，我们详细讨论了生产函数和边际处理效应估计。
2018-07-26 econ.EM math.ST stat.ME
Leave a Window Out: Modifying the Jackknife for Predictive Inference in Time Series
Schools of Industrial and Systems Engineering and Electrical and Computer Engineering（工业与系统工程系和电气与计算机工程系）；Department of Statistics, University of Chicago（芝加哥大学统计系）
针对时间序列中数据非可交换性和记忆预测器的问题，提出留出一个窗口（LWO）方法，通过修改刀切法实现有效覆盖，并产生比分裂共形预测更窄的区间。
2026-06-09 cs.LG math.ST stat.ME
The V-fold jackknife for semiparametric inference: variance estimation, confidence intervals, and simultaneous confidence bands
Division of Biostatistics, University of California, Berkeley（加州大学伯克利分校生物统计系）；University of Pennsylvania（宾夕法尼亚大学）
研究针对半参数推断开发V折刀切法，它计算高效且理论合理，仅需V次留一法重拟合，利用伪值经验离散度量化不确定性，给出有效置信区间和同时置信带，扩展理论到特定估计量，模拟证实其可靠推断。
2026-07-27 math.ST stat.CO stat.ME
Bootstrap Inference in Nonlinear Panel Data Models with Interactive Fixed Effects
KU Leuven（荷语鲁汶大学）
本文提出使用参数自助法进行非线性面板数据模型中交互固定效应的最大似然估计推断，证明其渐近无偏性，并提出基于变换的自助置信区间以提升小样本性能。
2026-04-29 econ.EM stat.ME
Toward improved inference for Krippendorff's Alpha agreement coefficient
在这篇文章中，我推荐了一个更好的点估计Krippendorff的阿尔法协议系数，并开发了一个刀切方差估计，导致更好的区间估计比习惯的自助程序或替代的自助程序。在开发了新的方法之后，我分析了Krippendorff以前分析的标称数据和两个实验观察的数据集：（1）先天性腹股沟疝成像研究的有序数据，以及（2）美国环境保护局宾夕法尼亚州费城地区的空气污染数据。后两种应用是新颖的。我的开源R包krippendorffsalpha的2.0版本现在支持所提出的方法，它支持常见的和用户定义的距离函数，并且可以容纳任何数量的单元，任何数量的编码器和缺失。区间计算可以并行化。
2022-10-24 stat.ME
Conformalized Polynomial Chaos Expansion for Uncertainty-aware Surrogate Modeling
Centrum Wiskunde & Informatica（荷兰数学与计算机科学中心）；Johns Hopkins University（约翰斯·霍普金斯大学）
本文提出一种符合化多项式混沌展开方法，用于在代理建模中量化预测不确定性，通过整合jackknife预测并利用线性特性提升效率。
2026-10-26 stat.CO stat.ME stat.ML
The Splice Bootstrap
本文提出了一种新的自举方法来计算非线性自回归时间序列模型预测的预测区间。我们称这种方法为拼接boobstrap，因为它涉及将给定序列的最后p值拼接到适当模拟的序列。这确保了每个模拟序列将具有相同的p个时间序列值集合，这是计算条件预测区间的必要要求。利用仿真研究，我们表明，该方法给出了90%的区间，这些区间是类似于从理论上所期望的简单的线性和SETAR模型驱动的正常和非正常噪声。此外，我们将该方法应用于一些经济数据，并证明了区间比较有利的交叉验证为基础的区间。
2013-11-22 stat.ME
Predictive inference for discrete-valued time series
本文针对离散值时间序列提出通过估计未来观测落入预设集合的概率进行预测推断，结合参数与非参数方法、渐近理论及自助法，并在INAR和INARCH模型上验证了方法性能。
2025-07-21 stat.ME
Parameters on the boundary in predictive regression
University of Bologna（博洛尼亚大学）；University of Exeter（埃克塞特大学）
本文研究了在预测回归中参数可能位于参数空间边界的bootstrap推断问题，提出通过调整参数空间以消除边界影响，从而改进推断有效性。
2024-09-19 econ.EM stat.ME
Approaches to biological species delimitation based on genetic and spatial dissimilarity
Alma Mater Studiorum - University of Bologna（博洛尼亚大学）
本文提出基于遗传和空间异质性的生物物种界定方法，通过比较不同模型在模拟数据中的表现，评估其在物种界定中的有效性与准确性。
2025-12-12 q-bio.PE stat.AP stat.ME
A robust bootstrap change point test for high-dimensional location parameter
考虑了当维数远大于样本量时，位置族中高维分布的变点检测问题。在变点分析中，广泛使用的累积和统计量对异常值和重尾分布敏感。在本文中，我们提出了一种鲁棒的，免调谐的（即，完全依赖于数据），易于实现的变点测试，享有强大的理论保证。为了实现非参数设置中的鲁棒性目的，我们在具有反对称和非线性内核的多变量$U$统计框架中制定了变点检测。具体地，样本内噪声被核的反对称性抵消，而在某些非线性核下的信号失真可以被控制，使得样本间变化点信号是幅度保持的。一个（半）刀切乘数引导（JMB）适合于变化点检测设置，提出了校准我们的$\ell^{\infty}$ -范数聚集检验统计量的分布。在核函数满足弱矩条件的前提下，我们得到了JMB逼近检验统计量抽样分布的一致收敛速度，并分析了其大小和功效性质.扩展到多个变点测试和估计进行了讨论，从数值研究的说明。
2021-10-13 math.ST stat.ME stat.TH
Sample size effects in multivariate fitting of correlated data
在实验分析或格点量子色动力学模拟中的一个常见问题是将参数化模型拟合到多个相关数据值样本的平均值。如果样本数量不是无限的，则参数方差（“误差条”）和拟合优度的估计值会受到影响。我们用数值模拟说明了这些问题，并计算了近似修正的方差的参数估计的标准方式从衍生物的参数的概率分布，以及从刀切和自助估计。
2008-08-24 hep-lat stat.ME
Bayesian Conformal Prediction via the Bayesian Bootstrap
针对贝叶斯方法预测区间频率派校准效果差的问题，提出基于影响函数贝叶斯自助法、数据驱动调优狄利克雷参数α的贝叶斯共形方法，可构建校准性好且锐利的预测区间与分布，性能优于标准贝叶斯后验，且实现简便灵活。
2025-08-02 math.ST stat.ME stat.TH
Inference for Standard Trial Estimands after Data-Driven Subgroup Discovery
针对数据驱动亚组发现后的选择偏差，提出一个过程无关的后选择推断框架，以条件自适应估计量为目标，通过乘子重采样和无穷小刀切区间改善覆盖率。
2026-10-01 stat.ME
Improving the Predictive Performance of Bootstrap Aggregating by Dirichlet Resampling
University of Wisconsin–Madison（威斯康星大学麦迪逊分校）；University of Kansas（堪萨斯大学）
本文基于Breiman的降相关原则，提出狄利克雷重采样的两种随机森林变体DM和DW，通过浓度参数调节样本权重，并给出理论判据指导调参，在公开基准上以极小额外开销取得更优性能。
2026-09-21 cs.LG stat.ME stat.ML
On the variability of regression shrinkage methods for clinical prediction models: simulation study on predictive performance
在开发风险预测模型时，建议使用收缩法，特别是在样本量有限的情况下。一些早期的研究表明，模型系数的收缩可以减少预测模型的过拟合，从而平均产生更好的预测性能。在这项模拟研究中，我们的目的是研究回归收缩对二元结果预测性能的变异性，重点是校准斜率。斜率表示风险预测是否过于极端（斜率< 1）或不够极端（斜率> 1）。与标准极大似然估计相比，我们研究了以下收缩方法：均匀收缩（基于似然和基于自举），岭回归，惩罚极大似然，LASSO回归，自适应LASSO，非负绞喉，和Firth校正。有三个主要发现。首先，收缩平均改善了校准斜率。其次，校准斜率的样本间变异性通常相对于极大似然增加。在收缩方法中，基于引导的均匀收缩总体上工作得很好。与其他收缩方法相比，Firth的校正只有很小的收缩效果，但变化性很低。第三，估计的收缩率和去除过拟合的最佳收缩率之间的相关性通常是负的。因此，尽管收缩平均改善了预测，但它在单个数据集中的效果往往很差，特别是在最需要收缩的时候。观察到的收缩方法的变异性意味着这些方法不能解决与小样本量或每个变量的事件数量少相关的问题。
2019-07-26 stat.ME
Domain Adaptive Bootstrap Aggregating
Duke University（杜克大学）
当用于训练预测算法的数据与当前数据之间存在分布偏移时，性能可能会受到影响。这被称为域适应问题。Bootstrap聚合或装袋是一种流行的方法，用于提高预测算法的稳定性，同时减少方差并防止过度拟合。本文提出了一种结合迭代最近邻采样器的区域自适应Bagging方法。其关键思想是从训练数据中抽取Bootstrap样本，使其分布与新测试数据的分布相等。所提出的方法提供了一个通用的集成框架，可以应用于任意分类。我们进一步修改的方法，允许异常样本的测试数据对应的训练数据中的离群值。提供了理论支持，并将该方法与模拟和实际数据应用中的替代方案进行了比较。
2020-06-16 cs.LG stat.ME stat.ML
BRP-GABLE: An Interpretable Rule-Based Prediction Framework for Multiple Outcome Types
Wakayama Medical University（和歌山医科大学）；Doshisha University（同志社大学）
BRP-GABLE通过引导规则池化扩展GABLE，为多种结局类型构建稀疏可解释的预测模型，提升性能并保持临床可解释性。
2026-09-30 stat.ME
Bootstrap Cross-validation Improves Model Selection in Pharmacometrics
交叉验证评估模型的预测能力，允许对模型进行相应的排名。虽然非参数bootstrap几乎总是用于评估参数的变异性，但如果在给定的bootstrap迭代中跟踪未选择的项目，则可以将其用作交叉验证的基础。选择的项目构成训练数据，省略的项目构成测试数据。这种自助交叉验证（BS-CV）允许通过比较测试数据汇总统计量的集合中位值，根据预测能力进行模型选择。本文使用几种汇总统计量（包括称为预测质量简单度量（SMPQ）的新统计量），并使用Monolix分布中包含的华法林数据（具有13个药代动力学（PK）模型和12个药效学（PD）模型）证明了BS-CV。值得注意的是，AIC的两个最佳PK模型具有最差的预测能力，强调了使用随机变量（如AIC）的单一实现作为模型选择基础的危险。使用这些数据，BS-CV能够区分类似的间接反应模型（输入抑制与输出刺激）。这在作用机制未知的情况下可能很有用（与华法林不同）。
2019-09-27 q-bio.QM stat.AP stat.ME
Bootstrap-Assisted Inference for Generalized Grenander-type Estimators
针对广义 Grenander 型估计量极限分布难以用标准 bootstrap 一致逼近的问题，提出经自动变换且可适应未知平坦度的 bootstrap 辅助推断方法。
2024-07-04 econ.EM math.ST stat.ME
Predictive Inference in Multi-environment Scenarios
Stanford University（斯坦福大学）；LinkedIn（领英）；Harvard University（哈佛大学）
本文解决多环境预测中置信区间和置信集的构建问题，扩展jackknife和split-conformal方法实现无分布覆盖率，并提出尺寸调整方法以适应问题难度，通过神经化学传感和物种分类数据集验证了实际性能。
2024-11-13 cs.LG math.ST stat.ME
A repeated k-fold cross-validation approach for evaluating the instability of clinical prediction models: an empirical comparison to the bootstrap approach
Faculty of Medicine, Chiang Mai University（清迈大学医学院）；Lampang Hospital（南奔医院）；Chaiprakarn Hospital（柴帕卡恩医院）
提出基于交叉验证的方法评估临床预测模型预测不稳定性，并与自助法比较。在逻辑回归和随机森林模型中，用临床队列实证实验，发现该方法可评估不稳定性并提供内部验证性能。
2026-07-07 stat.ME
Chain ladder method: Bayesian bootstrap versus classical bootstrap
本文的目的是估计贝叶斯分布自由链梯（DFCL）模型使用近似贝叶斯计算（ABC）方法。我们演示了如何估计索赔准备金中的利息数量，并将估计值与经典方法和可信度方法的估计值进行比较。在这种情况下，一种新的数值程序，利用马尔可夫链蒙特卡罗（MCMC），ABC和贝叶斯引导程序开发在一个真正的分布自由设置。ABC方法的出现是因为我们在无分布环境中工作，在这种环境中我们没有参数假设，这意味着我们不能逐点评估可能性，或者在这种情况下直接从可能性模型模拟。自举过程的使用允许我们从难以处理的可能性中生成样本，而不需要分布假设，这对ABC框架至关重要。所开发的方法是用来获得经验分布的DFCL模型参数和预测分布的未偿损失负债的条件下观察到的索赔。然后，我们估计预测贝叶斯资本估计，风险价值（VaR）和预测的均方误差（MSEP）。后者与经典的bootstrap和可信度方法进行了比较。
2010-04-15 q-fin.CP q-fin.RM stat.CO
Joint semi-parametric INAR bootstrap inference for model coefficients and innovation distribution
本文提出一种半参数 INAR 自助法程序，证明其对模型系数与新息分布的联合估计具有一致性，并应用于拟合优度检验、预测推断与离散指数分析，通过模拟和实际数据验证了其有限样本性能。
2025-07-15 stat.ME
Model-free Bootstrap Prediction Regions for Multivariate Time Series
在Das和Politis（2020）中，提出了一种无模型自举（MFB）范式，用于生成单变量（局部）平稳时间序列的预测区间。该算法的理论保证在Wang和Politis（2019）中在平稳性和弱依赖条件下得到了解决。按照这条工作线，在这里，我们扩展MFB预测推理下的多变量时间序列设置。我们描述了两种算法，第一种适用于任何固定维数d下的特定类别的时间序列;第二种适用于低维设置下的更一般化类别的时间序列。我们证明我们的程序通过理论的有效性和仿真性能。
2021-12-16 stat.AP stat.ME
Introducing prior information in Weighted Likelihood Bootstrap with applications to model misspecification
我们提出后验Bootstrap，一组算法扩展加权Likestive Bootstrap，适当地将先验信息和解决问题的模型误指定贝叶斯推断。我们考虑两种方法来结合先验知识：第一种是基于惩罚的加权Likestival Bootstrap目标函数，第二种是使用伪样本的先验预测分布。我们还提出了分层模型的方法，这是以前不知道的方法的基础上加权Likestival Bootstrap。Edgeworth展开指导我们的方法的发展，并使我们能够提供更深入的了解加权Likestrant Bootstrap的属性比以前已知的。我们的实验证实了理论结果，并显示在错误指定的设置对贝叶斯推断的模型误指定的影响减少。
2021-04-16 math.ST stat.ME stat.TH
Self-Validated Ensemble Models for Design of Experiments
设计实验时的一个可能目标是建立或制定一个模型来预测未来的观测结果。当主要目标是预测时，规划阶段中的一些典型方法是在设计阶段使用完善的小样本试验设计（例如，连续筛选设计），并使用广泛使用的模型选择算法（如LASSO）构建预测模型。然而，这些设计和分析策略并不能保证高预测性能，部分原因是样本量小，无法将数据划分为训练集和验证集，这是机器学习模型中常用的一种策略，用于改善样本外预测。在这项工作中，我们提出了一个新的框架，用于从实验数据中构建高性能的预测模型，该模型利用了具有训练集和验证集的优势。然而，我们提出了一种基于分数随机权重自举的加权方案，而不是将数据划分为两个相互排斥的子集，该方案通过为每个观察分配反相关的训练和验证权重来模拟数据划分。所提出的方法，称为自验证的包围建模（SVEM），在装袋的精神，使其迭代通过自举反相关权重和拟合模型，最终SVEM模型是自举模型的平均值。我们研究了SVEM算法的性能与几个模型建立方法，如逐步回归，拉索，和Dantzig选择器。最后，通过模拟和案例研究，我们表明，SVEM一般生成的模型具有更好的预测性能相比，一次性的模型选择方法。
2021-10-01 stat.ME
Prediction intervals for quantile autoregression
Universidad Carlos III de Madrid（马德里卡洛斯三世大学）；Universidade de Santiago de Compostela（圣地亚哥德孔波斯特拉大学）
本文提出基于分位数技术的自回归模型预测区间构建方法，通过结合自助方案提升覆盖性能和计算效率，并通过实证数据验证其有效性。
2025-12-26 stat.ME
Conformal prediction for full and sparse polynomial chaos expansions
ETH Zürich（苏黎世联邦理工学院）；Université Paris-Saclay, CNRS, CentraleSupélec（巴黎萨克雷大学、法国国家科学研究中心、中央理工-高等电力学院）
本文提出将符合预测方法应用于全和稀疏多项式混沌展开，以提升预测区间的准确性和鲁棒性。
2026-01-23 stat.ME stat.ML
On the Accuracy of Fixed Sampled and Fixed Width Confidence Intervals Based on the Vertically Weighted Averages
垂直加权平均值执行数据的双边滤波，以便保留潜在信号的精细细节，特别是不连续性，例如跳跃（一维）或边缘（二维）。在域的均匀区域中，该过程通过平均附近的数据点来平滑数据以减少噪声，而在非均匀区域中，仅当相邻点的值接近当前值时才考虑相邻点。这导致真实信号的去噪重建或估计，而不会模糊更精细的细节。本文解决了缺乏结果的置信区间的建设和评估的基础上的垂直加权平均，这是需要一个适当的统计评估其估计精度。基于最近的结果，我们讨论和调查更详细的固定样本以及固定宽度（条件）置信区间构造此估计。固定宽度方法允许明确指定估计的准确性，并确定一个随机样本大小，以确保所需的覆盖概率。这也在一定程度上固定了垂直加权平均值的固有属性，即其可变性在低密度区域中比在高密度区域中更高。为了估计构建程序所需的方差，我们依赖于重新排序技术，特别是自举法和折刀法。广泛的蒙特卡罗模拟表明，建议的置信区间是可靠的，在其覆盖概率为一个广泛的参数设置。
2016-11-09 stat.ME
Distribution-Free Predictive Inference For Regression
我们开发了一个一般的框架，在回归分布自由预测推理，使用共形推理。所提出的方法允许使用任何估计的回归函数的响应变量的预测带的建设。由此产生的预测带保留了标准假设下原始估计量的一致性，同时即使在这些假设不成立的情况下也能保证有限样本的边际覆盖。我们分析和比较，经验和理论，我们的共形框架的两个主要变种：全共形推理和分裂共形推理，以及相关的刀切法。这些方法提供了统计准确性（得到的预测区间的长度）和计算效率之间的不同权衡。作为扩展，我们开发了一种方法来构建有效的样本预测区间称为{ \it rank-one-out}共形推理，它具有基本相同的计算效率分裂共形推理。我们还描述了我们的程序的扩展，用于产生具有局部变化长度的预测带，以适应数据中的heteroskedascity。最后，我们提出了一个无模型的变量重要性的概念，称为{ \it leave-one-covariate-out}或LOCO推断。本文附带了一个R包{ \tt conformalInference}，它实现了我们介绍的所有建议。本着可重复性的精神，我们所有的经验结果也可以很容易地（重新）使用这个包生成。
2017-03-08 math.ST stat.ME stat.ML
Using stacking to average Bayesian predictive distributions
广泛推荐的贝叶斯模型平均化过程在M开放设置中存在缺陷，在该设置中，真实的数据生成过程不是被拟合的候选模型之一。我们从点估计文献中提取堆叠的思想，并推广到预测分布的组合，将效用函数扩展到任何合适的评分规则，使用Pareto平滑重要性抽样来有效地计算所需的留一后验后验分布，并进行正则化以获得更大的稳定性。我们比较堆叠的预测分布的几个替代方案：堆叠的手段，贝叶斯模型平均（BMA），伪BMA使用AIC型加权，和一个变种的伪BMA是稳定的使用贝叶斯引导。基于模拟和实际数据应用，我们建议叠加预测分布，当计算成本成为问题时，BB-伪BMA作为近似替代方案。
2017-09-16 stat.CO stat.ME
Bayesian Predictive Inference Beyond Martingales
Lancaster University（兰卡斯特大学）；Universitat Pompeu Fabra（庞培法布拉大学）；Barcelona School of Economics（巴塞罗那经济学院）
本文提出几乎条件同分布（a.c.i.d.）随机变量，将预测分布从测度值鞅放宽至几乎超鞅，并证明在参数可求和条件下观测序列渐近可交换，从而扩展贝叶斯预测推断的适用范围。
2026-10-27 math.ST stat.ME stat.TH
Conformal predictive intervals in survival analysis: a re-sampling approach
针对一般右删失生存数据中删失时间不可观测的问题，本文提出一种 bootstrap 重采样方法，在不同工作回归模型下构造单侧和双侧共形预测区间，并在乳腺癌生存时间预测中验证了其良好的覆盖率表现。
2024-08-13 stat.ME
Re-evaluation of the comparative effectiveness of bootstrap-based optimism correction methods in the development of multivariable clinical prediction models
多变量预测模型是基于多个患者特征提供综合诊断和预后算法的重要统计工具。相对于外部人群的实际表现，他们明显的判别和校准措施通常具有高估偏差（称为“乐观”）。现有的统计证据和指南表明，三种基于Bootstrap的偏倚校正方法在实践中是优选的，即Harrell偏倚校正和.632和.632+估计量。虽然Harrell的方法已被广泛应用于临床研究，但基于模拟的证据表明.632+估计量可能比其他两种方法更好。然而，证据有限，这些方法的实际比较有效性仍不清楚。在这篇文章中，我们进行了广泛的模拟，以比较这些方法的有效性，特别是使用以下现代回归模型：传统的逻辑斯谛回归，逐步变量选择，弗斯的惩罚似然法，岭，套索，和弹性网络。在相对较大的样本设置下，三种基于Bootstrap的方法具有可比性，并且表现良好。但在小样本条件下，三种方法均存在偏倚，且偏倚的方向和大小不一致。一般来说，推荐使用.632+估计量，但我们提供了有关每种方法的操作特性的几个注意事项。
2020-03-06 stat.AP stat.ME
Bootstrap Prediction Inference of Non-linear Autoregressive Models
针对 NLAR 模型多步预测中迭代法次优及预测区间有限样本覆盖不足的问题，提出 bootstrap 最优点预测与预测区间构造方法，并用预测残差改进覆盖性能。
2023-06-07 math.ST stat.ME stat.TH
Design-Based Inference for the AUC with Complex Survey Data
Universidad del País Vasco UPV/EHU（巴斯克大学）；University of Auckland（奥克兰大学）；BCAM - Basque Center for Applied Mathematics（巴斯克应用数学中心）
本文提出基于设计的AUC推断框架，通过重复加权方法构建置信区间和假设检验，验证了其在复杂抽样设计下的有效性，相比传统非设计方法具有更优的覆盖率和拒斥率。
2026-03-30 stat.ME
Bootstrapped Control Limits for Score-Based Concept Drift Control Charts
Northwestern University（西北大学）
本文提出一种改进的基于得分的控制图方法，通过引入嵌套Bootstrap技术提高控制限的准确性，减少对大量保留集的依赖，提升计算效率。
2026-03-21 stat.ME stat.ML
Local Gaussian process extrapolation for BART models with applications to causal inference
贝叶斯加性回归树（BART）是一种半参数回归模型，在样本外预测方面提供了最先进的性能。尽管取得了这一成功，但BART的标准实现通常在训练数据范围之外的点处提供不准确的预测和过窄的预测区间。提出了一种新的外推策略，将高斯过程移植到BART中的叶节点，用于预测观测数据范围之外的点。新方法相比，标准的BART实现和最近的频率重采样为基础的预测推理方法。我们将新的方法应用到一个具有挑战性的问题，从因果推断，其中对于预测空间的某些区域，只观察到治疗或未治疗的单位（但不是两者）。在仿真研究中，新方法与流行的替代方案（如Jackknife+）相比具有更优越的性能。
2023-02-24 econ.EM stat.CO stat.ME
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
Generalized Bayesian Ensemble Survival Tree (GBEST) model
University of Pavia（帕维亚大学）；Bocconi University（博科尼大学）
针对小样本与删失数据下的生存分析难题，提出融合 Beta Stacy 贝叶斯 bootstrap 的 bagging 生存树模型 GBEST，并以 R 包开源，实证显示其预测性能与稳定性优于经典模型。
2025-03-14 cs.LG stat.ME stat.ML
Statistically Optimal Uncertainty Quantification for Expensive Black-Box Models
本文针对昂贵黑盒模型在少量运行且无梯度信息下的置信区间构造问题，建立理论框架证明标准分批、不均匀或重叠批次、分批刀切法及廉价自助法等配置在区间紧致性上达到统计最优。
2024-08-12 stat.CO stat.ME
Model-free Bootstrap and Conformal Prediction in Regression: Conditionality, Conjecture Testing, and Pertinent Prediction Intervals
本文通过理论与数值实验比较回归中的 Model-free Bootstrap 和 conformal prediction，分析条件覆盖率，扩展预测区间切题性，并提出猜想检验及单侧保形分数。
2025-05-16 math.ST stat.ME stat.TH
Robust Inference and Model Criticism Using Bagged Posteriors
已知标准贝叶斯推断对模型错误指定敏感，导致不可靠的不确定性量化和较差的预测性能。然而，找到普遍适用的和计算上可行的方法，鲁棒的贝叶斯推断下的误指定已被证明是一个困难的挑战。一个有趣的、易于使用的、广泛适用的方法是在贝叶斯后验（BayesBag）上使用装袋;也就是说，使用以自举数据集为条件的后验分布的平均值。在本文中，我们发展的渐近理论贝叶斯袋，提出了一个模型-数据失配指数的模型批评使用贝叶斯袋，并实证验证我们的理论和方法的合成和真实世界的数据在线性回归，稀疏逻辑斯谛回归，分层混合效应模型。我们发现，在存在显着的错误指定，贝叶斯袋产生更多的可重复的推论，并具有更好的预测精度比标准的贝叶斯后验;另一方面，当模型被正确指定，贝叶斯袋产生优越或同样好的结果。总的来说，我们的研究结果表明，贝叶斯袋结合了有吸引力的建模功能的标准贝叶斯推断与分布鲁棒性的频率论方法，提供的好处超过单独的贝叶斯和单独的引导。
2020-07-30 math.ST stat.ME stat.TH
A Randomized Permutation Whole-Model Test Heuristic for Self-Validated Ensemble Models (SVEM)
本研究提出一种用于自验证集成模型SVEM的随机置换全模型检验启发式算法，通过构建置换参考分布和降秩奇异值分解计算马氏距离实现拟合显著性检验，在参数多于观测值时仍能维持标称第一类错误率。
2026-10-26 stat.ME stat.ML
Conditional Prediction for Macro-Level Claims Reserving: What a Single Paid Triangle Identifies
University of Antwerp（安特卫普大学）；KU Leuven（荷语鲁汶大学）
本文提出一种满足条件原理的自助法，用于宏观层面赔款准备金估计，通过Dirichlet-Gamma层次结构实现精确校准，改进了现有自助法的覆盖误差问题。
2026-09-15 stat.AP stat.ME
Distribution-free inference with hierarchical data
针对分层数据下标准可交换性不成立的问题，提出分层可交换性以拓展无分布方法，还在独立重复测量场景下构建了具备二阶矩覆盖率的无分布预测集，仿真验证其条件未覆盖率低且模型准确时代价轻微。
2025-08-02 math.ST stat.ME stat.TH
