彭伟;卢卡斯·曼奇;莱昂纳德·斯特凡斯基 无限小折刀的偏见、一致性和替代性观点。 arXiv:2106.05918 预印本，arXiv:2106.05918[math.ST]（2021）。 小结：尽管在近50年前引入，但无限小折刀（IJ）仍然是一种流行的现代工具，用于量化复杂估计环境中的预测不确定性。特别是，当通过自举样本构建监督学习集合时，最近的工作表明IJ方差估计特别方便和有用。然而，尽管其最终形式的代数简单，但其推导相当复杂。因此，澄清估计器背后的直觉或严格调查其特性的研究一直严重缺乏。这项工作的目的是在两个方面向前迈出一步。令人惊讶的是，我们证明了IJ估计量的精确形式可以通过对各个bootstrap估计量各自权重的直接线性回归或通过经典折刀得到。后一种实现特别有用，因为它允许我们正式调查IJ方差估计器的偏差，并更好地描述其适用的设置。最后，我们将这些结果扩展到U统计量的情况，其中基本模型是通过子抽样而不是自举方法构建的，并提供了对结果方差的一致估计。 BibTeX公司 引用 \textit｛W.Peng｝等人，“无穷大Jackknife的偏见、一致性和替代视角”，预印本，arXiv:2106.05918[math.ST]（2021） 全文： arXiv公司 OA许可证 arXiv数据来自arXiv OAI-PMH API.如果你发现了错误，请直接向arXiv报告.