一、 刀切法(jackknife)
刀切法的提出,是基于点估计准则无偏性。刀切法的作用就是不断地压缩偏差。但需要指出的是缩小偏差并不是一个好的办法,因为偏差趋于0时,均方误差会变得十分大。而且无偏性只有在大量重复时才会表现出与真值的偏差不大。Jackknife的想法在于:既然样本是抽出来的,那我在作估计、推断的时候“扔掉”几个样本点看看效果如何。
例如我们来看使用刀切法估计正态分布N(2,25)的方差,我们认为样本的修正方差是关于总体方差的一个估计量使用刀切法:
>x<-rnorm(100,2,5)
>jack<-function(x){
+jackknife<-0
+for(i in 1:length(x)) jackknife[i]=length(x)*var(x)-(length(x)-1)/length(x)*sum(var(x[-i]))
+ jackknife
+ }
>mean(jack(x))/length(x)
[1]26.07598
> var(x)
[1]26.33671
可以看出刀切法得到的估计量更接近总体方差。
关于刀切法,也不仅仅只是用来做参数估计的,他的用法与之前提到的bootstrap类似。
二、最小二乘估计