論文の概要: The V-fold jackknife for semiparametric inference: variance estimation, confidence intervals, and simultaneous confidence bands

• arxiv url: http://arxiv.org/abs/2607.22493v1
• Date: Fri, 24 Jul 2026 17:05:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.191844
• Title: The V-fold jackknife for semiparametric inference: variance estimation, confidence intervals, and simultaneous confidence bands
• Title（参考訳）: 半パラメトリック推論のためのV-fold jackknife:分散推定、信頼区間、同時信頼帯域
• Abstract要約: bootstrapは、その広範な適用性と最小限の分析要件のため、統計的推論のデフォルトツールである。 我々は,半パラメトリック推論の計算効率と理論的に正当化された代替手段として,$V$フォールド・ジャックナイフを開発した。
• 参考スコア（独自算出の注目度）: 2.715949869811686
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: For decades, the bootstrap has been a default tool for statistical inference because of its broad applicability and minimal analytic requirements. Although its validity is well understood for smooth parametric estimators, its theoretical properties for many modern semiparametric and machine-learning estimators remain largely unstudied. Nevertheless, bootstrap procedures are often used routinely in such settings, even when their validity is unknown and their computational cost is substantial. We develop the $V$-fold jackknife as a computationally efficient and theoretically justified alternative for semiparametric inference. It requires only $V$ leave-fold-out refits and uses the empirical dispersion of jackknife pseudo-values to quantify uncertainty, without deriving or evaluating an influence function. For regular asymptotically linear estimators of pathwise differentiable parameters, we show that, for fixed $V$, the Studentized $V$-fold jackknife statistic converges to a $t$-distribution with $V-1$ degrees of freedom, giving valid confidence intervals even though the jackknife variance estimator does not converge in probability. When $V\to\infty$, we establish consistency of the variance estimator at rate $V^{-1/2}$, allowing $V$ to diverge slowly, for example at rate $\log n$. We also develop simultaneous confidence bands based on the correct componentwise-Studentized limiting distribution. Finally, we extend the theory to generalized asymptotically linear estimators with diverging influence-function variance and slower-than-$\sqrt n$ convergence; scale invariance of Studentization eliminates the need to know the effective convergence rate. Simulations on the average treatment effect, Kaplan--Meier survival curve, and highly adaptive lasso dose-response curves confirm reliable inference, including where influence-function-based standard errors are anti-conservative or unstable.
• Abstract（参考訳）: ブートストラップは、幅広い適用性と最小限の分析要件のため、統計的推論のデフォルトツールとして何十年も使われてきた。 その妥当性は滑らかなパラメトリック推定器にはよく理解されているが、現代の多くの半パラメトリックおよび機械学習推定器の理論的性質はほとんど研究されていない。 それでも、ブートストラップの手順は、その妥当性が不明で計算コストがかなり高い場合でも、そのような設定で日常的に使用されることが多い。 我々は,半パラメトリック推論の計算効率と理論的に正当化された代替手段として,$V$フォールド・ジャックナイフを開発した。 ファンクション関数を導出したり評価したりすることなく、不確実性を定量化するために、わずか$V$の離脱折りたたみ補正しか必要とせず、ジャックニフェの擬似値の実証的な分散を利用する。 経路的に微分可能なパラメータの正規漸近線形推定器に対して、固定された$V$に対して、学生化された$V$-fold jackknife統計量は、自由度が$V-1$の$t$-distributionに収束し、ジャックニフェ分散推定器は確率に収束しないにもかかわらず、有効な信頼区間を与える。 V\to\infty$ が成り立つと、分散推定器の一貫性を$V^{-1/2}$ で確立し、例えば$V$は、例えば$\log n$ でゆっくりと発散することができる。 また、正しい成分分割制限分布に基づく同時信頼バンドも開発する。 最後に、この理論を一般化された漸近線形推定器に拡張し、影響関数の分散と緩やかに$\sqrt n$収束し、学生化のスケール不変性は、効果的な収束率を知る必要をなくす。 平均処理効果, カプラン・メイヤー生存曲線, 高度適応型ラッソ線量応答曲線のシミュレーションは, 影響関数に基づく標準誤差が保守的あるいは不安定な場所を含む信頼性の高い推測を裏付ける。

関連論文リスト

• Online Inference in Distributional Temporal-Difference Learning [12.653922692549969]
  本研究では, 返却分布の関数に対するオンライン統計的推測を定式化して検討した。 Polyak--Ruppert 平均推定器について、そのルート-$T$誤差がクラメル空間のガウスランダム要素に弱収束することを証明する。 非滑らかな統計汎関数に対しては、有限個のしきい値からなる$T-1/2$-隣り合わせで推定された戻り値 CDF の局所理論を開発する。
  論文  参考訳（メタデータ） (2026-08-14T15:51:50Z)
• Optimal Unconstrained Self-Distillation in Ridge Regression: Strict Improvements, Precise Asymptotics, and One-Shot Tuning [61.07540493350384]
  自己蒸留(英: Self-distillation, SD)とは、教師自身の予測と地道の混合で学生を訓練する過程である。 任意の予測リスクに対して、各正規化レベルにおいて、最適に混合された学生がリッジ教師に改善されることが示される。 本稿では,グリッド探索やサンプル分割,再構成なしに$star$を推定する一貫したワンショットチューニング手法を提案する。
  論文  参考訳（メタデータ） (2026-02-19T17:21:15Z)
• Statistical Inference and Learning for Shapley Additive Explanations (SHAP) [20.663970002208846]
  SHAP(Shapley additive explanation)フレームワークは、予測タスクにおける変数の重要性に寄与する重要なツールとなっている。 その普遍性にもかかわらず、これらの量に関する統計的推測を行うためのアプローチは存在しない。 SHAP曲線をデータから推定しなければならないニュアンス関数として扱うことにより、SHAPの$p$thの乗算を確実に構成的に正規化できることを示す。
  論文  参考訳（メタデータ） (2026-02-11T05:01:47Z)
• Information Fidelity in Tool-Using LLM Agents: A Martingale Analysis of the Model Context Protocol [69.11739400975445]
  モデルコンテキストプロトコル(MCP)エージェントにおけるエラー蓄積を解析するための最初の理論的枠組みを紹介する。 累積歪みが線形成長と高確率偏差を$O(sqrtT)$で表すことを示す。 主な発見は、意味重み付けは歪みを80%減らし、周期的再接地は、エラー制御の約9ステップごとに十分である。
  論文  参考訳（メタデータ） (2026-02-10T21:08:53Z)
• Asymptotic Theory and Phase Transitions for Variable Importance in Quantile Regression Forests [0.0]
  ピンボール損失リスクの差として定義される変数内在的重要性の理論を考案する。 偏差支配体制(約1/2$)では、推定器がゼロ平均正規分布ではなく決定論的偏差定数に収束すると、標準推論は崩壊する。
  論文  参考訳（メタデータ） (2025-11-28T14:18:05Z)
• Pointwise confidence estimation in the non-linear $\ell^2$-regularized least squares [12.352761060862072]
  固定設計による $ell2$-regularized 非線形最小二乗集合の高確率非漸近信頼度推定について検討する。 つまり、任意の固定テスト入力に対して$x$の予測を保持することを意味する。
  論文  参考訳（メタデータ） (2025-06-08T11:23:49Z)
• Multivariate root-n-consistent smoothing parameter free matching estimators and estimators of inverse density weighted expectations [51.000851088730684]
  我々は、パラメトリックな$sqrt n $-rateで収束する、最も近い隣人の新しい修正とマッチング推定器を開発する。 我々は,非パラメトリック関数推定器は含まないこと,特に標本サイズ依存パラメータの平滑化には依存していないことを強調する。
  論文  参考訳（メタデータ） (2024-07-11T13:28:34Z)
• Online non-parametric likelihood-ratio estimation by Pearson-divergence functional minimization [55.98760097296213]
  iid 観測のペア $(x_t sim p, x'_t sim q)$ が時間の経過とともに観測されるような,オンラインな非パラメトリック LRE (OLRE) のための新しいフレームワークを提案する。 本稿では,OLRE法の性能に関する理論的保証と,合成実験における実証的検証について述べる。
  論文  参考訳（メタデータ） (2023-11-03T13:20:11Z)
• TIC-TAC: A Framework for Improved Covariance Estimation in Deep Heteroscedastic Regression [109.69084997173196]
  奥行き回帰は、予測分布の平均と共分散を負の対数類似度を用いて共同最適化する。 近年の研究では, 共分散推定に伴う課題により, 準最適収束が生じる可能性が示唆されている。 1)予測共分散は予測平均のランダム性を真に捉えているか? その結果, TICは共分散を正確に学習するだけでなく, 負の対数類似性の収束性の向上も促進することがわかった。
  論文  参考訳（メタデータ） (2023-10-29T09:54:03Z)
• Robust computation of optimal transport by $\beta$-potential regularization [79.24513412588745]
  最適輸送(OT)は、確率分布間の差を測定する機械学習分野で広く使われているツールである。 我々は、いわゆる$beta$-divergenceに付随するベータポテンシャル項でOTを正規化することを提案する。 提案アルゴリズムで計算した輸送行列は,外乱が存在する場合でも確率分布を頑健に推定するのに役立つことを実験的に実証した。
  論文  参考訳（メタデータ） (2022-12-26T18:37:28Z)
• Understanding the Under-Coverage Bias in Uncertainty Estimation [58.03725169462616]
  量子レグレッションは、現実の望ましいカバレッジレベルよりもアンファンダーカバー(enmphunder-cover)する傾向がある。 我々は、量子レグレッションが固有のアンダーカバーバイアスに悩まされていることを証明している。 我々の理論は、この過大被覆バイアスが特定の高次元パラメータ推定誤差に起因することを明らかにしている。
  論文  参考訳（メタデータ） (2021-06-10T06:11:55Z)
• SLOE: A Faster Method for Statistical Inference in High-Dimensional Logistic Regression [68.66245730450915]
  実用データセットに対する予測の偏見を回避し、頻繁な不確実性を推定する改善された手法を開発している。 私たちの主な貢献は、推定と推論の計算時間をマグニチュードの順序で短縮する収束保証付き信号強度の推定器SLOEです。
  論文  参考訳（メタデータ） (2021-03-23T17:48:56Z)
• Dimension-agnostic inference using cross U-statistics [33.17951971728784]
  本稿では,サンプル分割と自己正規化とともに,既存のテスト統計の変分表現を用いた手法を提案する。 結果の統計学は、縮退したU統計を慎重に修正し、対角ブロックを落とし、対角ブロックを外したままにすると見なすことができる。
  論文  参考訳（メタデータ） (2020-11-10T12:21:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。