文献综述（或调研报告）：
Bootstrap方法是Thomas J. DiCiccio 和 Bradley Efron最早提出来的。它的基本思想是基于给定的观测信息（即原始样本），对其进行重复抽样获得新的样本，然后对得到的新样本进行统计分析。该方法的目的是使其区间估计的精度在标准置信区间的精度基础上提高一个数量级。同时它可以按照传统构造置信区间的步骤来实现，甚至可以应用于更复杂的问题。
下面简单介绍几种Bootstrap方法。
1.BCa法
BCa方法是一种从bootstrap直方图的百分位数获得近似区间估计的方法。在文献[1]和[2]中有用到。假设是一个参数值，是基于观测数据x的估计，是通过bootstrap重抽样得到的x分布的估计。假设是bootstrap重复实验的累积分布函数：
BCa方法得到的区间的上端点是由累积分布函数定义的，区间端点的定义是：
（这里是标准正态分布的累积分布函数。）
最后通过定义利用转换和渐进参数可以计算精确的估计区间。
2.ABC法
ABC法的核心思想是用逼近区间端点来寻求更优的区间的一种方法，它不同于Monte Carlo逼近法，避免了大量重复的缺点。其过程是依据Taylor展开式通过大量的计算求近似，通常舍去高阶展开式。在文献[3]和文献[4]中有运用到这种方法
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
