知识卡片：半参数推断的V折刀切法：方差估计、置信区间与同时置信带

一句话结论

V折刀切法（V-fold jackknife）是一种计算高效且理论严谨的半参数推断替代方案，无需推导影响函数，对固定V可得到Studentized统计量收敛于t分布（自由度V‑1），从而给出有效的置信区间。

事件概述或研究问题

过去几十年，bootstrap因其广泛适用性和最小分析需求成为统计推断的默认工具。然而，bootstrap在众多现代半参数估计和机器学习估计中的理论性质尚未得到充分研究，但其仍被常规使用，且计算成本高昂。本文针对这一问题，开发了V折刀切法作为替代。

方法/产品要点

• 仅需V次留折再拟合（leave-fold-out refits），利用刀切伪值的经验离散度量化不确定性，无需推导或评估影响函数。
• 对于路径可微参数的正则渐近线性估计量：当V固定时，Studentized V折刀切统计量收敛于自由度为V－1的t分布，即使刀切方差估计量在概率上不收敛，仍能得到有效的置信区间。
• 当V→∞时（如V随样本量缓慢发散，速率log n），方差估计量以速率V^{−1/2}一致。
• 基于正确的分量Studentized极限分布，开发了同时置信带。
• 将理论推广到具有发散影响函数方差和慢于√n收敛速度的广义渐近线性估计量；Student化的尺度不变性消除了对有效收敛速度的依赖。

主要结果或产业意义

模拟实验在平均处理效应（ATE）、Kaplan‑Meier生存曲线和高度自适应lasso剂量反应曲线上验证了推断的可靠性，包括在基于影响函数的标准误差表现为反保守或不稳定的情形下。

为什么重要

本工作为半参数推断（尤其是涉及机器学习估计量的场景）提供了一种理论上有保证且计算量远低于bootstrap的替代方法，填补了bootstrap在相关设置中理论性质未知的空白。通过固定V下的t分布近似，避免了方差估计量不一致的问题，并进一步处理了收敛速度慢于√n的复杂估计量。

局限与不确定性

• 论文未讨论当V选择不当时的具体影响；V的选取（固定或随n缓慢增长）需根据实际场景权衡。
• 对于非渐近线性或非路径可微参数的估计量，方法的适用性待核实。
• 模拟仅涉及三类特定问题，更广泛的应用场景（如高维或非参数模型）的实证表现待进一步研究。

可用于图书/PPT/简报的角度

• 作为统计推断教材中“替代bootstrap的现代方法”案例，阐释计算复杂性与理论严谨性的平衡。
• 在机器学习因果推断专题中，展示如何在不显式计算影响函数的情况下进行不确定性量化。
• 对比bootstrap与V折刀切法的计算成本与理论保证，适合在学术报告或产业数据科学团队分享。

原始材料

• 英文标题: The V-fold jackknife for semiparametric inference: variance estimation, confidence intervals, and simultaneous confidence bands
• 英文关键词: V-fold jackknife, semiparametric inference, bootstrap, influence function, asymptotically linear estimator, t-distribution, confidence bands
• arXiv ID: 2607.22493v1
• URL: https://arxiv.org/abs/2607.22493v1
• PDF: https://arxiv.org/pdf/2607.22493v1