Optimal hybrid block bootstrap for sample quantiles under weak dependence
在弱强混合假设下，建立了样本分位数的块自助分布估计的一般最优性理论。与现有的结果相比，我们研究了不同数量的块的块引导。这对应于二次采样自举和移动块自举（MBB）之间的混合，其中块的数量介于1和样本量与分组长度的比率之间。我们的主要定理确定了块数和分组长度的最佳选择，以实现样本分位数的块自助分布估计的最佳收敛速度。作为我们分析的一部分，我们还证明了一个重要的引理，它给出了块自助分布估计的收敛速度，甚至对光滑函数模型的影响。我们提出了一个直观的程序，经验选择的最佳数量和长度的块。相关的例子说明了最佳选择块的数量的好处。
2017-10-06 math.ST stat.TH
Dependent multiplier bootstraps for non-degenerate $U$-statistics under mixing conditions with applications
在混合条件下，对由非退化$U$ -统计量构造的两个序列过程，建立了一个Resstrom方法的渐近有效性。被称为{ \em相关乘法器引导}的重新分配方案是由\cite{GomHor02}的开创性方法对混合序列的适应产生的。证明利用最近的结果\cite{DehWen10b}退化$U$统计。一个数据驱动的程序估计的关键带宽参数参与的reserve计划也提出了建议，利用研究的依赖乘数自举全自动。推导出的结果适用于建设的置信区间和测试变点检测。对于这样的应用程序，蒙特卡罗实验表明，使用所提出的reserve方法可以有优势，估计渐近分布。
2015-05-28 math.ST stat.TH
Iterated smoothed bootstrap confidence intervals for population quantiles
本文研究了平滑Bootstrap迭代对总体分位数的平滑Bootstrap和Bootstrap t置信区间的覆盖概率的影响，并建立了平滑过程各阶段的最优核带宽。已知传统的平滑bootstrap和bootstrap-t方法对于基于大小为n的随机样本的样本分位数的区间分别产生O（n^{-1/2}）和O（n^{-2/3}）阶的单侧覆盖误差。通过在自举和学生化步骤中适当选择带宽，我们将后一个结果锐化为O（n^{-5/6}）。我们进一步表明，通过迭代引导的标称覆盖水平的校准成功地减少覆盖误差的平滑引导百分位间隔的顺序为O（n^{-2/3}）和平滑引导-t间隔的顺序为O（n^{-58/57}），只要带宽被选择适当的顺序。仿真结果证实了我们的渐近研究结果，表明迭代平滑bootstrap-t方法产生最准确的覆盖。另一方面，迭代平滑Bootstrap百分位数方法区间具有比Bootstrap-t区间更短且更稳定的优点。
2005-04-25 math.ST stat.TH
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
Smoothed pseudo-population bootstrap methods with applications to finite population quantiles
本文将平滑 bootstrap 引入高熵单阶段调查抽样的伪总体框架，提出带宽插件与网格搜索选择法，用于有限总体分位数方差估计和置信区间构造，并验证其效率提升。
2025-09-29 stat.CO stat.ME
Technical details of the multistep-multiscale bootstrap resampling
Shimodaira（2004）的新引导方法的技术细节在这里以数学证明以及支持的计算机程序给出。Shimodaira（2004）考虑了基于Bootstrap概率的近似无偏检验，用于具有未知期望参数向量的指数型分布族，其中原假设表示为具有光滑边界的任意形状区域。在Shimodaira（2004）的引理中已经描述了新开发的三步多尺度Bootstrap方法计算渐近三阶精确的$p$值。这些引理的所有数学证明都在这里给出。简单，虽然非常繁琐，涉及张量符号的计算在Shimodaira（2003）中得到了验证，这实际上是Mathematica的计算机程序。这里我们也对这个方案做一个简要的说明。
2013-12-22 math.ST stat.TH
What Teachers Should Know about the Bootstrap: Resampling in the Undergraduate Statistics Curriculum
我在这篇文章中有三个目标：（1）展示Bootstrapping和置换检验的巨大潜力，以帮助学生理解统计概念，包括抽样分布，标准误，偏差，置信区间，零分布和P值。(2)要深入挖掘，了解这些方法为什么有效，什么时候无效，需要注意的事情，以及在教学时如何处理这些问题。(3)为了改变统计实践-通过将这些方法与常见的t检验和区间进行比较，我们看到后者是多么不准确;我们用渐近法证实了这一点。n >= 30是不够的-想想n >= 5000。呼吸暂停提供诊断和更准确的替代方案。可悲的是，常见的自助百分位数区间在小样本中严重不足;有更好的替代品。语气是非正式的，有几个故事和笑话。
2014-11-19 stat.ME stat.OT
A dependent multiplier bootstrap for the sequential empirical copula process under strong mixing
对多变量观测值的Copula进行推断的两个关键因素是经验Copula过程和对后者的适当恢复方案。在用于i.i.d.观察，Rémillard和Scaillet（J. Multivariate Anal. 100（2009）377-386）经常出现导致具有最佳有限样本性质的推理程序。Bücher和Ruppert（J. Multivariate Anal. 116（2013）208-229）最近提出了通过将Bühlmann的依赖乘子自举（时间序列和经验过程中的块自举（1993）ETH Zürich，第3.3节）适应于经验copula过程，将该技术扩展到严格平稳的强混合观测。这项工作的主要贡献是一个推广的乘子reserve计划提出的Bücher和Ruppert沿两个方向。首先，resception计划现在是真正的顺序，从而允许转置到强混合设置许多现有的乘数测试未知的copula，包括非参数测试的变点检测。第二，resception方案现在是全自动的，因为提出了可用于估计带宽参数的数据自适应过程。仿真研究是用来调查有限样本性能的reserve计划，并提供建议，如何选择几个额外的参数。作为本文工作的副产品，在较弱的强混合系数和乘子条件下，得到了Bühlmann经验过程的相依乘子自助序列的有效性，并在许多序列相依条件下建立了序列经验copula过程的弱收敛性.
2016-02-09 math.ST stat.ME stat.TH
Wild Residual Bootstrap Inference for Penalized Quantile Regression with Heteroscedastic Errors
本文考虑一类异方差回归模型，其中某些回归系数为零，但不知道哪些为零。惩罚分位数回归是分析这类数据的一种有效方法。通过允许不同的协变量与不同分位数水平的条件分位数函数建模相关，它提供了比均值回归更完整的响应变量条件分布的图像。现有的惩罚分位数回归的工作主要集中在点估计。虽然Bootstrap方法最近被证明是有效的惩罚平均回归的推断，他们不直接适用于惩罚分位数回归与异方差误差。我们证明了未惩罚分位数回归的一个野生残差自举过程对于逼近具有自适应$L_1$惩罚的分位数回归估计的分布是渐近有效的，并且一个修改的版本可以用来逼近$L_1$惩罚的分位数回归估计的分布.新方法不需要估计未知的误差密度函数。我们建立一致性，证明有限样本的性能，并说明了一个真实的数据例子的应用程序。
2018-07-20 stat.ME
Scalable Resampling in Massive Generalized Linear Models via Subsampled Residual Bootstrap
针对海量数据下残差Bootstrap计算效率低的问题，提出适用于广义线性模型的可扩展子采样残差Bootstrap（SRB）算法，证明了其与经典方法具有相同的理论保证且计算更快，并通过模拟和真实数据验证了其性能。
2024-09-26 stat.ME
Volterra bootstrap: Resampling higher-order statistics for strictly stationary univariate time series
我们关注的是时间序列泛函的非参数假设检验。众所周知，流行的自回归筛选自助法，在一般情况下，是无效的统计数据的（渐近）分布取决于阶数高于2的时刻，无论数据是否来自线性时间序列或非线性。受非线性系统理论的启发，我们通过引入基于Volterra级数表示的过程的高阶自举方案来规避这种非有效性。为了有效地估计这种表示的系数，我们依赖于再生核希尔伯特空间中的Volterra算子的替代公式。我们执行多项式核回归，它与输入维度呈线性关系，与非线性程度无关。我们说明了建议的Volterra表示为基础的自举程序在模拟研究中，我们认为严格平稳的线性和非线性过程的适用性。
2020-10-20 stat.ME
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
Bootstrap for neural model selection
Bootstrap技术（也称为恢复计算技术）在建模和模型评估方面取得了新的进展。使用重建方法来构造一系列基于原始数据集的新样本，允许估计参数的稳定性。对于任何特定的观测数据集，可以检查收敛性和渐近正态性等属性。在大多数情况下，在生成的数据集上计算的统计数据给出了估计的置信区域的好主意。在本文中，我们辩论的贡献，这种方法的模型选择，在前馈神经网络的情况下。文中对该方法进行了描述，并与留一法进行了比较。通过实例验证了该方法的有效性。
2007-01-04 cs.NE math.ST stat.TH
Bootstrapping Clustered Data in R using lmeresampler
线性混合效应模型通常用于分析聚类数据结构。有许多包可以在R中拟合这些模型并进行基于可能性的推理。基于重采样的推理过程的实现更加有限。在本文中，我们介绍了lmeresampler软件包，用于通过lme4或nlme拟合自举嵌套线性混合效应模型。对于小样本量和分布假设失效时，Bootstrap估计允许偏倚校正、调整标准误和置信区间。我们还将说明如何使用引导程序重新启动来诊断这个模型类。此外，lmeresampler使得构造模型参数函数的区间估计变得容易。
2021-06-11 stat.CO stat.ME
Parameter uncertainty estimation for exponential semi-variogram models: Two generalized bootstrap methods with check- and quantile-based filtering
针对小样本、抽样设计受限的指数半变异函数参数标准误估计难题，本文在广义自助法中加入基于检查的过滤，并通过模拟与出生体重案例证明其显著优于分位数过滤及既有方法。
2023-07-15 stat.CO stat.ME
Skip-sampling: subsampling in the frequency domain
在过去的35年里，已经提出了几种用于时间序列的自举方法。常用的“时域”方法包括块自举法、平稳自举法、线性过程自举法等;也可以对时间序列进行二次采样，并且二次采样与块引导密切相关。“频域”自举是通过重新排列周期图纵坐标或重新排列离散傅立叶变换（DFT）纵坐标来进行的。本文提出了一种新的DFT坐标子采样结构，并研究了其理论性质和适用范围。
2022-12-15 stat.ME
Conditional Delta-Method for Resampling Empirical Processes in Multiple Sample Problems
针对经验过程重抽样程序缺乏通用条件泛函delta方法的问题，本文提出适用于多样本问题的通用条件delta方法，并通过多类示例验证其应用灵活性，可改善基于极限结果的统计推断的有限样本性质。
2024-08-20 math.ST stat.TH
Resampling Procedures with Empirical Beta Copulas
经验beta copula是经验copula的一种简单而有效的平滑器。因为它是一个真正的copula，而且，它特别容易从中取样，所以有理由期望基于经验β copula的重新检验程序是方便和准确的。在本文中，我们回顾了文献中的一些bootstrap逼近的经验copula过程，我们首先证明了几个bootstrap过程相关的经验copula和经验beta copula的渐近等价性。然后，我们研究了基于经验（β）copula的reserve格式的有限样本性质的Monte Carlo模拟。更具体地说，我们考虑了一些泛函，如秩相关系数和几个著名的Copula族的依赖参数的区间估计，构造置信区间的几种方法，并比较它们的精度和效率。我们还基于经验copula和经验Beta copula的几种重采样方案计算对称性测试的实际大小和功效。
2020-02-15 math.ST stat.TH
Approximately unbiased tests of regions using multistep-multiscale bootstrap resampling
考虑了具有未知期望参数向量的指数型分布族的基于Bootstrap概率的近似无偏检验，其中原假设表示为具有光滑边界的任意形状区域.这个问题已经讨论了以前在埃夫隆和Tibshirani [安。26（1998）1687-1718]，并且通过Efron、Halloran和Holmes的两水平自举法计算具有二阶渐近准确度的校正的p值[Proc.Natl. Acad. Sci. U.S.A. 93（1996）13429-13434]，基于Efron的ABC偏差校正[J. Amer. Statist. 82（1987）171-185]。我们的论点是他们的渐近理论，其中的几何形状，如有符号的距离和曲率的边界，起着重要的作用。我们给出了另一种计算校正后的p值，而没有找到观察边界上的“最近点”，这是两级自举所要求的，在复杂的问题中是一个实现负担。关键思想是改变复制数据集的样本量与观察数据集的样本量。对几个样本量的重复样本落入该区域的频率进行计数，然后通过观察频率随样本量变化的变化来计算p值。这是Shimodaira [Systematic Biology 51（2002）492-508]的多尺度自举，对于多变量正态模型，它是三阶精度的。在这里，我们介绍了一个新设计的多步多尺度自助，计算三阶精确的p值的指数型分布族。
2005-08-30 math.ST stat.TH
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
Finite Sample Valid Inference via Calibrated Bootstrap
本文提出校准自助法，通过校准 $m$-out-of-$n$ 重采样方案实现有限样本有效的参数推断，包含 RA 和 DR 两个算法，并在高维线性回归中验证了其有效性。
2024-08-29 stat.CO stat.ME
Resampling methods for spatial regression models under a class of stochastic designs
在本文中，我们考虑了一类空间回归模型的自举问题时，抽样地点产生的（可能是非均匀的）随机设计和不规则的间隔。结果表明，现有的网格空间数据块自助方法的自然扩张不适用于非均匀随机设计下的不规则空间数据。提出了阻塞机制的变型。结果表明，所提出的块自助法提供了一个有效的近似的一类空间回归参数的M-估计的分布。有限样本的性质的方法进行了研究，通过一个中等规模的模拟研究和实际数据的例子来说明的方法。
2006-11-09 math.ST stat.TH
Conditional Quantile Processes based on Series or Many Regressors
Quantile regression (QR) is a principal regression method for analyzing the impact of covariates on outcomes. The impact is described by the conditional quantile function and its functionals. In this paper we develop the nonparametric QR-series framework, covering many regressors as a special case, for performing inference on the entire conditional quantile function and its linear functionals. In this framework, we approximate the entire conditional quantile function by a linear combination of series terms with quantile-specific coefficients and estimate the function-valued coefficients from t…
2018-08-09 econ.EM math.ST 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
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
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
Bootstrapping Estimators based on the Block Maxima Method
针对滑动分块极大值估计量渐近方差难估计的问题，提出基于循环分块极大值重采样的一致性自助法，证明经典不相交分块极大值重采样自助法的一致性及两类估计量渐近方差等价性，通过实验和案例验证方法有效性。
2025-03-25 math.ST stat.ME stat.TH
Smoothed Quantile Regression with Large-Scale Inference
分位数回归是一个强大的工具，用于学习响应变量和多变量预测因子之间的关系，同时探索异质性效应。本文研究了大规模数据分位数回归在“增维”条件下的统计推断。我们提供了一个全面和深入的分析卷积型平滑方法，实现足够的近似计算和推断分位数回归。这种方法，我们称之为{ \it{conquer} }，把不可微的分位数损失函数变成一个二次可微的，凸的和局部强凸的代理，它允许一个快速和可扩展的基于Barzilai-Borwein梯度的算法来执行优化，和乘数引导统计推断。在理论上，我们建立了估计误差和Bahadur-Kiefer线性化误差的显式非渐近界，由此证明了在比传统分位数回归对回归变量个数要求更低的条件下，克服估计的渐近正态性成立.此外，我们证明了乘数自助置信结构的有效性。我们的数值研究证实了征服估计作为一个实用和可靠的方法，大规模的推断分位数回归。实施该方法的软件在\texttt{R}包\texttt{conquer}中可用。
2021-05-18 math.ST stat.ME stat.TH
Uniform Asymptotics for Nonparametric Quantile Regression with an Application to Testing Monotonicity
本文建立了分位数回归函数局部多项式估计的Bahadur表示的一致差错率。差错率在一系列分位数、回归量中的一系列评估点以及观察到的随机变量的广泛概率类别上是均匀的。关于局部多项式分位数回归估计量的Bahadur表示的大多数现有结果都适用于固定数据生成过程。在测试单调性的背景下，原假设是一个复杂的复合假设，它是特别相关的建立巴哈杜尔展开，保持一致的一大类数据生成过程。此外，我们建立了相同的差错率的自助局部多项式估计，这可能是有用的各种自助推断。作为一个例子，我们应用于测试的单调性分位数回归和基于这个例子的Monte Carlo实验。
2015-08-26 math.ST stat.TH
Power of Mediation Effects Using Bootstrap Resampling
中介分析是一种统计工具，用于检验两个变量之间的关系是直接的还是通过第三个变量间接的。评估统计学显著性一直是一个活跃的研究领域;然而，统计功效的评估受到缺乏封闭式计算和需要大量计算模拟的阻碍。目前的工作提供了一个详细的解释实现大规模的仿真程序在一个共享的计算集群环境。此外，所有的结果和实现这些程序的代码都是公开的。功效分析比较了样本量的影响以及三个变量之间关系的强度和方向。三种置信区间计算方法的比较表明，偏倚校正方法是最佳的，并且需要比百分位数方法少约10名参与者才能达到等效功效。比较了远端和近端效应的不同强度，并没有对检测中介效应的功效产生差异性影响。抑制效应进行了探讨，并表明，在两个变量之间没有观察到的关系，进入模型的中介变量可以揭示一个抑制的关系。检测抑制效应的能力类似于未抑制的中介。这些结果和他们的方法提供了重要的信息的权力的调解模型的研究规划。更重要的是，这些方法为评估涉及多个介质和主持人的更复杂模型的统计功效奠定了基础。
2021-06-04 stat.CO stat.ME
The independence process in conditional quantile location-scale models and an application to testing for monotonicity
本文研究了位置-尺度环境下的非参数分位数回归模型。研究了基于协变量和估计残差的经验独立过程的渐近性质。特别地，证明了它的渐近展开和弱收敛于高斯过程.研究结果一方面可用于检验区位-尺度模型的有效性;另一方面，它们允许在条件分位数位置-尺度模型中导出各种规格检验。详细研究了条件分位数曲线的单调性检验。对于位置-尺度模型的有效性检验以及单调性检验，建议采用Kolmogorov-Smirnov和Cramer-von Mises型检验统计量的光滑残差自助版本。我们给出严格的证明自助版本的弱收敛结果。在模拟研究中证明了测试的性能。
2016-09-25 math.ST stat.TH
QANOVA: Quantile-based Permutation Methods For General Factorial Designs
总体均值和标准差是在析因布局中量化效应的最常见被估量。事实上，这种设计中的大多数统计程序都是为了推断平均值或其对比而建立的。对于更稳健的分析，我们考虑人口中位数，四分位距（IQR）和更一般的分位数组合作为被估量，其中我们制定零假设并计算相容的置信区域。基于同时多元中心极限定理和相应的rescue结果，我们得到渐近正确的程序，一般情况下，潜在的异方差，阶乘设计与单变量端点。特殊情况下，涵盖了强大的测试的人口中位数或IQR在任意交叉的一，二和更高的方式布局与潜在的异方差误差分布。在广泛的模拟中，我们分析了他们的小样本特性，并进行了说明性的数据分析，比较来自不同国家的儿童的身高和体重。
2020-03-27 math.ST stat.ME stat.TH
quantreg.nonpar: An R Package for Performing Nonparametric Series Quantile Regression
R包quantreg.nonpar实现了非参数分位数回归方法来估计部分线性分位数模型并进行推断。quantreg.nonpar基于对模型的非参数部分的系列近似来获得条件分位数函数及其导数的点估计。它还提供了逐点和均匀的置信区间的协变量值和/或分位数指数的相同功能，使用分析和重新排序方法的区域。本文介绍了该软件包，并展示了其中包含的函数的基本功能。
2016-10-26 econ.EM stat.CO
Bootstrap-based estimation and inference for measurement precision under ISO 5725
Research Institute of Science for Safety and Sustainability, National Institute of Advanced Industrial Science and Technology (AIST)（国立产业技术综合研究所安全与可持续性科学研究所）；Department of Industrial and System Engineering, Faculty of Science and Technology, Tokyo University of Science（东京理科大学理工学部工业系统工程系）
本文提出基于自助法的精密度估计与推断方法，针对ISO 5725数据设计重采样策略，改进偏置校正以获得更可靠的置信区间，适用于实验室间精密度分析。
2026-02-07 stat.AP
Resampling-based inference methods for comparing two coefficient alpha
Cronbach系数$α_C$的两个样本问题，作为测试或综合得分的可靠性估计，已经引起了很少的关注，相比之下，单样本情况下的广泛治疗。有必要比较不同亚组、不同测试或短测试和长测试的测试可靠性。本文从统计学的角度研究了如何比较两个系数$α_{C,1}$和$α_{C,2}$。感兴趣的原假设是$H_0 : α_{C,1} = α_{C,2}$，我们针对单侧或双侧替代方案进行了检验。为此，提出了基于重采样的置换和自举检验。当事态\textit{asymptotically distribution-free}（ADF）大样本检验可能无法正确达到标称显着性水平时，这些统计检验确保在有限或非常小的样本量中更好地控制I类错误。在一般ADF设置下，我们引入了两组多元非正态模型的置换检验和自助检验，从而改进了著名的ADF渐近检验的小样本性质.通过适当选择学生化检验统计量，可以修改重新检验，使其在数据不可交换的情况下仍然渐近有效。所提出的基于重采样的测试策略的实用性证明了在一个广泛的模拟研究和说明了真实的数据应用程序。
2017-06-19 math.ST stat.TH
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
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
Enhancing Statistical-Computational Balance in Uncertainty Quantification of Bagging: A Cheap Bootstrap Approach
Columbia University（哥伦比亚大学）
本文针对Bagging不确定性量化中覆盖有效性与计算成本难以平衡的问题，基于廉价自助法思想提出一种区间构造方法，该方法计算量远小于现有方法，在随机森林等实验中表现出可靠覆盖性能。
2026-10-14 stat.ME
Powerful nonparametric checks for quantile regression
我们解决了参数分位数回归的失拟检验问题。我们提出了一个简单的测试，涉及一维核平滑，使其检测本地替代品的速度是独立的协变量的数量。该检验具有渐近的高斯临界值，在小样本情况下，可以应用Wild Bootstrap方法得到更准确的检验结果。我们的程序似乎是有竞争力的，与现有的模拟。我们说明了我们的测试出生体重数据的有用性。
2014-06-12 math.ST stat.TH
Deterministic bootstrapping for a class of bootstrap methods
描述了一种算法，该算法能够有效地确定性近似计算任何线性自助方法$T_n^*$的自助分布，从而减轻了从观测值（分别）重复重建的需要。输入导出数据）。实质上，该算法从独立随机变量的线性混合计算分布函数，每个独立随机变量具有有限的离散分布。该算法适用于基本的引导方案（目标的平均值作为参数的利益），块引导，以及某些残留的引导方案。此外，该算法在非自举假设检验中具有更广泛的适用性。
2019-04-09 stat.ME stat.OT
Fast and General Model Selection using Data Depth and Resampling
我们提出了一种使用数据深度函数和重采样的技术，为广泛的统计模型执行最佳子集变量选择。我们通过为候选模型分配一个称为$e$值的分数来实现这一点，并使用快速自举方法来近似这些$e$值的样本版本。在一般情况下，$e$ -值可以将充分解释数据属性的统计模型与不充分解释数据属性的模型分开。这导致了仅拟合单个模型并评估$p +1$模型的快速算法，$p$是所考虑的预测因子的数量，而不是拟合和评估$2^{p}$模型的传统要求。我们在模拟实验中说明，我们提出的方法通常比一系列目前使用的方法更好的变量选择在线性模型和固定效应选择在线性混合模型。作为一个真实的数据应用程序，我们使用我们的程序来引出印度夏季风降水的气候驱动因素。
2017-11-28 math.ST stat.ME stat.TH
Resampling techniques for a class of smooth, possibly data-adaptive empirical copulas
我们调查的有效性进行推理时，潜在的未知copula使用最近提出的一类光滑，可能的数据自适应非参数估计，包含经验伯恩斯坦copula（因此，经验β copula）的两个resception技术。继\cite{KirSegTsu21}之后，第一种恢复技术基于从平滑估计量中抽取样本，并且只能用于独立观测的情况。第二种技术是所谓的顺序相关乘数引导的平滑扩展，因此可以用于时间序列设置，并可能用于变点分析。这两个研究的恢复计划被施加到置信区间的建设和离线检测的变化的横截面依赖的多元时间序列，分别。蒙特卡洛实验证实了这种平滑的推理过程可能具有的优势，其非光滑的同行。这项工作的一个副产品是弱一致性和有限样本性能的两类光滑估计的一阶偏导数的copula，可以有平均值和分位数回归的应用程序的研究。
2023-01-13 math.ST stat.TH
The Jackknife Estimation Method
由于计算机已成为统计学家普遍使用的工具，统计回归方法已成为参数估计、假设检验和模型验证的可行方法。本文重点介绍了称为刀切法的参数估计的重定位技术。为了概述该方法的有用性及其在一般统计检验技术中的地位，我将快速描述两种类似的检验方法：自助法和排列检验。然后，我概述了Jackknife方法，并展示了一个使用它的例子。
2016-06-01 stat.ME
Applications of the Fractional-Random-Weight Bootstrap
几十年来，基于自举法的自举法一直是一种广泛使用的计算置信区间的方法，适用于没有精确方法的应用，以及样本量不够大，无法依靠易于计算的大样本近似方法，如Wald（正态近似）置信区间。基于模拟的自举区间已被证明是有用的，因为它们的实际覆盖概率在小样本中接近标称置信水平。然而，小样本分析近似（如Wald方法）的覆盖概率往往大大超过标称置信水平。然而，在许多应用中，不能使用rescue bootstrap方法。这些包括数据被严重删失的情况，当成功响应是罕见事件或在解释变量中成功和失败的混合不充分时的逻辑斯谛回归，以及参数数量接近观察数量的设计实验。这三种情况的共同点是，可能有相当大比例的重新采样无法估计模型中的所有参数。本文回顾了分数随机权重自助法，并演示了如何使用它来避免这些问题和构造置信区间。对于示例，可以看出分数随机权重自助方法易于使用，并且在许多具有挑战性的应用中比重采样方法具有优势。
2018-08-24 stat.AP
Significance testing in quantile regression
本文考虑多元非参数分位数回归中预测变量的显著性检验问题。提出了一个随机过程，它是基于一个比较的响应与非参数分位数回归估计下的原假设。证明了在原假设下，该过程弱收敛于中心高斯过程，并讨论了在固定和局部替换下检验的渐近性质.特别是，我们表明，-在非参数方法的基础上估计$L^2$ -距离-新的测试是能够检测本地的替代品收敛到原假设与任何速率$a_n \to 0$，使$a_n \sqrt{n} \to \infty$（这里$n$表示的样本量）。我们还提出了一个小的模拟研究，说明了有限样本性质的自举版本的相应的Kolmogorov-Smirnov测试。
2012-06-14 math.ST stat.ME stat.TH
A Bootstrap Method for Goodness of Fit and Model Selection with a Single Observed Network
网络模型应用于许多领域，其中数据可以表示为一对参与者之间的交互系统。虽然统计和机械网络模型越来越能够捕捉这些参与者之间的各种依赖关系，但这些依赖关系意味着缺乏独立性。这对分析此类数据提出了统计挑战，特别是当只有一个观察到的网络时，并且通常会导致难以处理的可能性，而不管建模范式如何，这限制了现有网络统计方法的应用。我们探索了一个二次抽样引导程序，作为拟合优度和模型选择的基础上，一个单一的观察网络，规避了这种可能性的棘手性。我们的方法是基于从单个观察到的网络形成的灵活的restaurant分布，允许更精细和更高的维度比较比简单的点估计的数量的兴趣。我们包括工作的例子模型选择，模拟和评估的拟合优度，与复制发散模型适合酵母（酿酒酵母）蛋白质-蛋白质相互作用的数据从文献中。所提出的程序产生一个灵活的reserve分布，可以根据任何一个人的选择统计，可以采用无论选择的模型。
2018-06-28 stat.CO stat.ME
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 Consistency for Empirical Likelihood in Density Ratio Models
本文证明了密度比模型下经验似然Bootstrap估计量的极限分布与总体一致，将逐点收敛推广至弱收敛，为分位数和支配指数的重采样推断奠定理论基础，并通过模拟验证其准确性。
2025-10-23 math.ST stat.TH
A quantile regression estimator for censored data
本文提出了一种基于无偏估计方程的删失分位数回归估计。在通常的条件独立假设下，生存时间和截尾时间给定的协变量，我们证明了所提出的估计是一致的和渐近正态的。我们开发了一个有效的计算算法，使用现有的分位数回归代码。结果，可以有效地实现引导型推理。我们说明了所提出的方法的有限样本性能的模拟研究和生存数据集的分析。
2013-02-01 math.ST stat.TH
Resampling-based confidence regions and multiple tests for a correlated random vector
我们推导出非渐近置信区域的平均值的随机向量，其坐标具有未知的依赖结构。假设随机向量是高斯分布或对称有界分布，我们观察$n$ i.i.d它的副本。置信区域使用基于加权自举过程的数据相关阈值来构建。我们考虑两种方法，第一种基于浓度的方法和第二个直接boostrapped分位数的方法。第一个允许处理一个非常大的类的restaurant权重，而我们的第二个结果仅限于Rademacher权重。然而，第二种方法在实践中似乎更准确。我们的结果是出于多个测试问题，我们在模拟上表明，我们的程序比Bonferroni程序（工会界），只要观察到的向量有足够的相关坐标。
2007-01-22 math.ST stat.TH
Network resampling for estimating uncertainty
随着网络数据在许多应用中的广泛存在，人们提出了许多网络分析的模型和算法。然而，除了网络参数的点估计之外，提供不确定性估计的方法要少得多。自举法和其他回归分析方法已成为估计独立同分布不确定度的有效工具。样本，使它们适应网络是非常重要的。在这项工作中，我们研究了三种不同的用于不确定性估计的网络重采样过程，并提出了一种通过网络重采样来构建网络参数的置信区间的通用算法。我们还提出了一个算法，用于选择的抽样比，这对性能有很大的影响。我们发现，毫不奇怪，没有一个程序是经验上最好的所有任务，但选择一个适当的抽样比大大提高了性能在许多情况下。我们在模拟网络和Facebook数据上说明了这一点。
2022-06-27 stat.ME
Bootstrap of means under stratified sampling
在两阶段整群抽样程序中，$n$随机总体是从独立总体中独立抽取的，并在每个总体中抽取观察结果的子样本。观测变量的一般平均值的估计是渐近高斯和渐近分布的几个bootstrap版本的归一化和学生化的统计量进行了研究。加权总体估计提供了一个很好的近似值，其精度取决于总体样本量的收敛速度。
2007-09-20 math.ST stat.TH
Simultaneous confidence bands for the integrated hazard function
考虑了综合风险函数的同时置信带的构造。使用Nelson-Aalen估计量。给出了基于Bootstrap方法的联合置信带。两种方法的建设，这样的置信带的建议。奇怪的bootstrap方法被用于恢复。仿真比较了Bootstrap和渐近同步置信带的实际覆盖概率。结果表明，等尾bootstrap置信带的覆盖概率最接近标称值。我们还提出了应用我们的置信带的数据，心脏移植后的生存。
2006-01-14 math.ST stat.TH
Studentized U-quantile processes under dependence with applications to change-point analysis
许多流行的稳健估计是$U$ -分位数，最著名的是Hodges-Lehmann位置估计和$Q_n$尺度估计。在不作任何矩假设和弱短程相依条件下，证明了序列$U$ -分位数过程的泛函中心极限定理.我们进一步设计了一个估计的长期方差，并显示其一致性，从学生化版本的序列$U$ -分位数过程的标准布朗运动的收敛如下。该结果可用于构造基于$U$ -分位数的CANUM型变点检验，该检验不依赖于自举过程。我们详细展示了这种方法的例子中的Hodges-Lehmann估计稳健检测中心位置的变化。仿真研究证实了非常好的鲁棒性和效率性能的测试。两个真实的数据集进行了分析。
2016-03-18 math.ST stat.TH
