在整个过程中,我们假设统计量是某些数据的函数是从分布函数得出的;我们样本的经验分布函数是。因此,是被视为随机变量的统计量,而是该统计量的引导版本。我们使用作为KS距离 ˚F ˚F θ (˚F )θ (d∞
如果统计信息是简单的线性统计信息,则对于引导程序的有效性有“ if and only if”结果。例如Mammen的定理1“引导程序何时起作用?”
如果用于某些任意函数则引导程序的作用是如果且仅当存在和使得 我们可以在其中将定义为样本的某些函数,并且ħñd∞[大号(θ( ˚F) -吨 Ñ),大号(θ(˚F)-吨Ñ)]→p0σÑ吨Ñd∞[L(θ(F)−tn)
^ 吨Ñ吨Ñ = È(吨 Ñ)
引导程序还可用于一般统计,也有一些更一般的结果,例如Politis Romano和Wolf的Subsampling中的定理1.6.3:
假设是从具有有限支持的所有分布的类中得出的。假设统计量\ theta(\ cdot)在F上关于最高范数是Frechet可微的,并且导数g_F满足0 <\ textrm {Var} _F [g_F(x)] <\ infty。那么\ theta(F)是渐近正态的,并且引导程序在前一个定理的意义上起作用。θ (⋅ )˚F 克˚F 0 < 瓦尔 ˚F [ 克˚F(X )] < ∞ θ (˚F )
我想要第二个定理的“如果且仅当”版本。这将需要一个与Frechet可微性不同的平滑度概念,因为Politis,Romano和Wolf(1999)表明样本中位数不是Frechet可微的,但是自举仍然有效。但是,样本中位数仍然是数据的平滑函数。
在Mammen中有一些非正式的评论,认为光滑是必要的:
通常,局部渐近线性对于引导的一致性似乎是必需的
引用是为了:
van Zwet,W(1989)。在Olberwolfach举行的“统计中的计算机密集过程的渐近方法”会议上进行了演讲。
但是,除了少数引证之外,我找不到任何谈话内容。