关于某些引导程序的相对准确性

@第{条Feuerverger1999OnTR,title={关于某些引导过程的相对准确性},author={安德烈·费尔弗格(Andrey Feuerverger)、约翰·罗宾逊(John Robinson)和奥古斯丁·C·M·王(Augustine C.M.Wong),journal={加拿大统计杂志},年份={1999},体积={27},网址={https://api.semanticscholar.org/CorpusID:18956745}}
我们证明了在有界集上,对于均值和均值的平滑函数,Studentized bootstrap、指数倾斜bootstrap和非参数似然倾斜bootsstrap的二阶相对精度。我们还考虑了较大偏差的相对误差。我们的方法利用埃奇沃斯近似和鞍点近似之间的某些联系来简化计算。 

多元M-估计的鞍点逼近及其在bootstrap精度中的应用

我们根据所需的标准化和学生化版本的M估计的适当分量,获得了一维测试统计量的边际尾部面积近似值

匹兹曼奖章

悉尼大学Neville Weber教授撰写的以下引文支持了Robinson教授的提名:John Robinson提高了

关于bootstrap鞍点逼近

我们将鞍点近似与学习平均值的精确分布及其自举近似进行了比较。我们证明,在有界集上,这些经验鞍点近似

重采样方法中的鞍点近似

在各种简单的引导和随机化应用中,SUMMARY鞍点近似值显示出易于使用和准确。示例包括平均值估计、比率估计、,

学习平均值的鞍点近似,及其在引导中的应用

使用鞍点技术来近似随机样本的学习平均值的密度和尾部概率。其动机是在

变换变量边际概率和条件概率的鞍点逼近

最近,在单变量情况下,Lugannani和Rice尾区公式被推广到边际分布和某些多元条件分布的尾区

基于标准化符号对数似然比的全参数或部分参数推断

在测试和一致性限制的基础上,基于对数签名的关系统计,在一种近似的情况下,

重采样方法和最不利族的非参数置信限

关于“利益-问题-建筑-限制-确定-功能-分配-非参数”。关于提交附加程序