分数随机权重自助法的应用

基于重采样的自助法几十年来一直是计算置信区间的广泛使用的方法，适用于没有精确方法可用且样本量不足以依赖易于计算的大样本近似方法（如Wald（正态近似）置信区间）的应用。基于模拟的自助区间已被证明是有用的，因为其实际覆盖概率在小样本中接近名义置信水平。然而，小样本解析近似（如Wald方法）的覆盖概率往往大大超过名义置信水平。不过，有许多应用无法使用重采样自助法。这些包括数据被重度删失、成功响应为罕见事件的逻辑回归或成功与失败在解释变量间混合不足，以及参数数量接近观测数的设计实验。这三种情况的共同点是，可能有相当比例的重新样本无法估计模型中的所有参数。本文回顾了分数随机权重自助法，并演示了如何用它来避免这些问题并构造置信区间。从例子中可见，分数随机权重自助法易于使用，并在许多具有挑战性的应用中优于重采样方法。