研究人员推出了一种新的统计方法——V折交叉验证法（V-fold jackknife），旨在为半参数推断提供一种计算高效且理论可靠的替代自举法（bootstrap）的方案。该方法仅需V次留一折重拟（leave-fold-out refits），并利用交叉验证法伪值（jackknife pseudo-values）的离散度来估计不确定性，无需影响函数（influence functions）。对于标准的渐近线性估计量，V折交叉验证法统计量收敛于t分布，可产生有效的置信区间。该方法还可扩展至广义估计量，并在模拟研究中证明了在平均处理效应（average treatment effects）、Kaplan-Meier生存曲线（Kaplan-Meier survival curves）和高度自适应套索剂量反应曲线（highly adaptive lasso dose-response curves）方面具有可靠的推断能力。 AI
影响 为机器学习背景下的统计推断提供了一种更高效、理论更扎实的方法。
排序理由 介绍新统计方法的学术论文。[lever_c_demoted from research: ic=1 ai=0.7]
- average treatment effect
- Bootstrap
- Highly Adaptive Lasso (HAL)
- Kaplan-Meier survival curves
- Studentized V-fold jackknife
- Student's t-distribution
- V-fold jackknife
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
