为什么要使用参数引导程序？

我目前正在设法弄清有关参数引导程序的一些事情。大多数事情可能都很琐碎，但我仍然认为我可能错过了一些东西。

假设我想使用参数引导程序获取数据的置信区间。

因此，我有此样本，并假设其为正态分布。那么我估计方差v和平均米，并得到我的分布估计P，这显然只是ñ （米，v）。$\hat{v}$$\hat{m}$$\hat{P}$$N(\hat{m},\hat{v})$

除了从该分布中采样外，我还可以分析地计算分位数并完成。

a）我得出结论：在这种微不足道的情况下，参数引导程序是否与在正态分布假设中计算事物相同？

因此，从理论上讲，只要我能处理计算，所有参数自举模型都是如此。

b）我得出结论：使用一定分布的假设将使我在参数引导程序上获得比非参数引导程序更高的准确性（如果正确的话）。但是除此之外，我之所以这样做，是因为我无法处理分析计算而无法尝试模拟我的分析方法吗？

c）如果计算通常是使用近似值完成的，我也将使用它，因为这可能会给我带来更高的准确性...？

对我来说，（非参数）引导程序的好处似乎在于我不需要假设任何分布。对于参数引导程序，该优势已经消失了-还是我错过了某些事情，而参数引导程序在哪些方面提供了上述优势？

是。你是对的。但是，当这些假设成立时，参数自举会屏蔽更好的结果。这样想：

$X_1, \ldots, X_n$$F$$\theta$$\hat{\theta} = h (X_1, \ldots, X_n)$$G$$h$$F$$G=G(h,F)$$F$$\hat{F}$$G$$\hat G = G(h,\hat{F})$$\hat G$$\hat \theta$$\hat{F}$

$\hat{G} = G(h,\hat{F})$$\hat G$$X^b_1, \ldots, X^b_n$$\hat F$$\hat {\theta}^b = h(X^b_1, \ldots, X^b_n)$$\hat G$

$\hat{F}$$F$$\hat{G}$$G$$\hat{\theta}$