Details

Autor(en) / Beteiligte

• Bertail, Patrice
• Politis, Dimitris N.

Titel

Extrapolation of subsampling distribution estimators: The i.i.d. and strong mixing cases

Ist Teil von

• Canadian journal of statistics, 2001-12, Vol.29 (4), p.667-680

Ort / Verlag

Hoboken: Wiley-Blackwell

Erscheinungsjahr

2001

Link zum Volltext

Quelle

Alma/SFX Local Collection

Beschreibungen/Notizen

• Politis & Romano (1994) proposed a general subsampling methodology for the construction of large-sample confidence regions for an arbitrary parameter under minimal conditions. Nevertheless, the subsampling distribution estimators may sometimes be inefficient (in the case of the sample mean of i.i.d. data, for instance) as compared to alternative estimators such as the bootstrap and/or the asymptotic normal distribution (with estimated variance). The authors investigate here the extent to which the performance of subsampling distribution estimators can be improved by interpolation and extrapolation techniques, while at the same time retaining the robustness property of consistent distribution estimation even in nonregular cases; both i.i.d. and weakly dependent (mixing) observations are considered. /// Politis & Romano (1994) ont proposé une méthode de sous-échantillonnage générale permettant de construire des régions de confiance asymptotiques pour un paramètre quelconque sous des hypothèses minimales. Les distributions de sous-échantillonnage n'en peuvent pas moins s'avérer inefficaces (pour la moyenne dans le cas i.i.d., par exemple) par rapport à d'autres méthodes d'approximation telles le bootstrap ou la distribution asymptotique gaussienne (avec variance estimée). Les auteurs étudient ici dans quelle mesure les méthodes d'interpolation et d'extrapolation permettent d'améliorer les méthodes de sous-échantillonnage tout en conservant leur aspect robuste dans les cas non-réguliers. Les cas i.i.d. et dépendants sous des hypothèses de mélange sont étudiés et donnent lieu à des résultats différents.