📊 statistics

The V-fold jackknife for semiparametric inference: variance estimation, confidence intervals, and simultaneous confidence bands

यह शोधपत्र अर्ध-प्राचलिक अनुमान (semiparametric inference) के लिए बूटस्ट्रैप के एक गणनात्मक रूप से कुशल और सैद्धांतिक रूप से न्यायसंगत विकल्प के रूप में V-फोल्ड जैकनाइफ (V-fold jackknife) को प्रस्तुत करता है, जो प्रभाव फलन (influence function) के व्युत्पन्न की आवश्यकता के बिना मानक और सामान्यीकृत स्पर्शोन्मुखी रैखिक (asymptotically linear) दोनों अनुमानकों के लिए विश्वास अंतराल (confidence intervals) और समवर्ती बैंड (simultaneous bands) के निर्माण हेतु इसकी वैधता स्थापित करता है।

मूल लेखक: Yi Li, Ashkan Ertefaie, Mark van der Laan

प्रकाशित 2026-07-27

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yi Li, Ashkan Ertefaie, Mark van der Laan

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक जासूस हैं जो एक रहस्य सुलझाने की कोशिश कर रहे हैं: "हम अपने उत्तर के बारे में कितने आश्वस्त हो सकते हैं?" सांख्यिकी (statistics) की दुनिया में, इसे अनुमान (inference) कहा जाता है। जब वैज्ञानिक डेटा का उपयोग करके किसी सत्य का अनुमान लगाते हैं—जैसे कि एक नई दवा का औसत प्रभाव या एक रोगी के जीवित रहने की दर—तो उन्हें यह मापने का एक तरीका चाहिए होता है कि यदि वे अलग-अलग डेटा एकत्र करते तो उनके उत्तर में कितना उतार-चढ़ाव आता। इस उतार-चढ़ाव को अनिश्चितता (uncertainty) कहा जाता है, और इसे मापने के लिए उपयोग किया जाने वाला उपकरण अक्सर कॉन्फिडेंस इंटरवल (confidence interval) होता है। कॉन्फिडेंस इंटरवल को एक सुरक्षा जाल (safety net) के रूप में समझें: यदि आप कहते हैं कि उत्तर "50" है, तो एक 95% कॉन्फिडेंस इंटरवल कह सकता है, "हमें 95% विश्वास है कि वास्तविक उत्तर 45 और 55 के बीच है।"

दशकों से, इस सुरक्षा जाल को बनाने के लिए जासूस का पसंदीदा उपकरण बूटस्ट्रैप (bootstrap) रहा है। कल्पना कीजिए कि आपके पास कंचों (marbles) का एक थैला है जो आपके डेटा का प्रतिनिधित्व करता है। बूटस्ट्रैप कहता है, "आइए, थैले में हाथ डालें, मुट्ठी भर कंचे निकालें, उनके रंग लिखें, उन्हें वापस डाल दें, और ऐसा फिर से करें।" आप इसे हजारों बार दोहराते हैं, जिससे हजारों नकली डेटासेट बनते हैं। यह देखकर कि इन हजारों प्रयासों के दौरान उत्तरों में कितना बदलाव आता है, आप पता लगा सकते हैं कि आपका वास्तविक उत्तर कितना अस्थिर है। यह शक्तिशाली है क्योंकि यह लगभग किसी भी चीज़ के लिए काम करता है, लेकिन यह थका देने वाला भी है। यदि आपकी गणितीय समस्या जटिल है (जैसे कि आधुनिक मशीन लर्निंग में उपयोग की जाने वाली), तो इसे हजारों बार चलाना बहुत समय ले सकता है, जैसे कि समुद्र तट पर रेत के हर कण को एक-एक करके उठाने की कोशिश करना।

हाल ही में, एक नई समस्या उभर कर आई है। आर्टिफिशियल इंटेलिजेंस और जटिल एल्गोरिदम के युग में, "कंचों के थैले" वाला यह तरीका कभी-कभी विफल हो जाता है। जब आप कंचे निकालते हैं और वापस डालते हैं, तो आप गलती से एक ही कंचे को दो बार चुन सकते हैं, या कुछ को पूरी तरह से छोड़ सकते हैं। सरल गणित के लिए, इससे कोई फर्क नहीं पड़ता। लेकिन आज के फैंसी, अनुकूलन योग्य (adaptive) एल्गोरिदम के लिए, यह छोटी सी गड़बड़ी पूरे सुरक्षा जाल को बिगाड़ सकती है, जिससे कॉन्फिडेंस इंटरवल इस बारे में झूठ बोल सकते हैं कि वे कितने सुरक्षित हैं। वैज्ञानिकों को एक ऐसे नए उपकरण की आवश्यकता थी जो लैपटॉप पर चलने के लिए पर्याप्त तेज़ हो और आज के इन पेचीदा एल्गोरिदम को बिना गलत परिणाम दिए संभालने के लिए पर्याप्त स्मार्ट हो।

यहीं पर पेपर "The V-Fold Jackknife for Semiparametric Inference" काम आता है। लेखक, यी ली, अशन कान एर्टेफ़ाई और मार्क वैन डेर लान, एक चतुर विकल्प प्रस्तावित करते हैं जिसे V-फोल्ड जैकनीफ (V-Fold Jackknife) कहा जाता है। बूटस्ट्रैप के "पकड़ो-और-वापस-रखो" वाले खेल के बजाय, वे एक "विभाजन और विजय" (divide-and-conquer) रणनीति का सुझाव देते हैं। कल्पना कीजिए कि आपके पास एक विशाल पिज्जा (आपका डेटा) है। हजारों नकली पिज्जा बनाने के बजाय, आप बस असली पिज्जा को V स्लाइस (टुकड़ों) में काट देते हैं। फिर आप एक स्लाइस हटा देते हैं, शेष स्लाइस के साथ पहेली को हल करते हैं, और उत्तर लिखते हैं। आप हर स्लाइस के लिए ऐसा करते हैं, जिससे अंत में आपके पास V अलग-अलग उत्तर होते हैं।

इस पद्धति का जादू इस बात में है कि यह उन उत्तरों का उपयोग कैसे करती है। लेखक दिखाते हैं कि इन V उत्तरों के बीच के अंतर को देखकर, आप एक ऐसा सुरक्षा जाल बना सकते हैं जो हजारों बूटस्ट्रैप प्रयासों द्वारा बनाए गए जाल जितना ही भरोसेमंद है, लेकिन इसके लिए आपको केवल V बार पहेली को हल करने की आवश्यकता होती है (आमतौर पर 5 और 20 बार के बीच)। यह एक बहुत बड़ी गति वृद्धि (speedup) है।

लेकिन सबसे शानदार बात यह है: यह पेपर सिद्ध करता है कि यह विधि तब भी काम करती है जब गणित अजीब हो जाता है। आमतौर पर, जब आपके पास स्लाइस की संख्या कम (छोटा V) होती है, तो आप उम्मीद करेंगे कि आपका सुरक्षा जाल डगमगाएगा। हालाँकि, लेखक दिखाते हैं कि यदि आप उतार-चढ़ाव को मापने के लिए एक विशिष्ट प्रकार के गणितीय "रूलर" (जिसे t-distribution कहा जाता है जिसमें V-1 डिग्री ऑफ फ्रीडम होता है) का उपयोग करते हैं, तो सुरक्षा जाल मजबूत रहता है। यह एक ऐसे रूलर की तरह है जो कम स्लाइस मापने के लिए अपने आप लंबा और अधिक सतर्क हो जाता है, जिससे यह सुनिश्चित होता है कि आप गलती से किसी खाई में न गिर जाएं।

यह पेपर उस परिदृश्य को भी संबोधित करता है जहाँ डेटा बढ़ने के साथ "उतार-चढ़ाव" (wiggle) बढ़ता है, जो कुछ उन्नत मशीन लर्निंग मॉडल में होता है। V-फोल्ड जैकनीफ इसे स्वाभाविक रूप से संभालता है क्योंकि यह एक जटिल फॉर्मूला की गणना करने के बजाय सीधे डेटा स्लाइस से उतार-चढ़ाव को मापता है।

अपने विचार का परीक्षण करने के लिए, लेखकों ने तीन अलग-अलग प्रकार की समस्याओं पर सिमुलेशन चलाए:

औसत उपचार प्रभाव (Average Treatment Effect): यह पता लगाना कि क्या कोई उपचार काम करता है। उन्होंने पाया कि जबकि पुराना "इन्फ्लुएंस फंक्शन" तरीका (एक मानक फॉर्मूला-आधारित दृष्टिकोण) अक्सर ऐसे सुरक्षा जाल देता था जो बहुत छोटे थे (अंडर-कवरिंग), V-फोल्ड जैकनीफ ने सुरक्षा जाल को विश्वसनीय होने के लिए पर्याप्त चौड़ा रखा, भले ही सैंपल साइज छोटा हो।
सर्वाइवल कर्व्स (Survival Curves): मरीजों के जीवित रहने की अवधि को ट्रैक करना। यहाँ, V-फोल्ड जैकनीफ मौजूदा सर्वोत्तम विधियों के समान प्रदर्शन करता है, लेकिन इसे कंप्यूट करने में बहुत तेज़ है।
डोज़-रिस्पॉन्स कर्व्स (Dose-Response Curves): यहाँ पुराने तरीके वास्तव में संघर्ष करते थे। इन जटिल परिदृश्यों में, मानक फॉर्मूले अक्सर विफल हो जाते थे या गलत उत्तर देते थे (उनके परीक्षणों में 6.2% बार विफल हुए)। हालाँकि, V-फोल्ड जैकनीफ कभी विफल नहीं हुआ और सबसे विश्वसनीय सुरक्षा जाल प्रदान किया।

लेखकों ने यह भी दिखाया कि कैसे इस विधि का उपयोग एक एकल बिंदु के बजाय एक पूरे कर्व (वक्र) को कवर करने वाले "सुरक्षा कवच" को बनाने के लिए किया जा सकता है। उन्होंने पाया कि यहाँ तक कि स्लाइस की मध्यम संख्या (जैसे 20) के साथ भी, यह विधि आश्चर्यजनक रूप से अच्छी तरह काम करती है, विशेष रूप से क्योंकि इन समस्याओं में डेटा में एक छिपी हुई सरलता (लो "इफेक्टिव रैंक") होती है, जिसका यह विधि लाभ उठा सकती है।

संक्षेप में, यह पेपर एक ऐसे उपकरण को पेश करता है जो एक हाई-स्पीड, लो-मेंटेनेंस सुरक्षा जाल की तरह है। इसके लिए हजारों सिमुलेशन चलाने की भारी मेहनत की आवश्यकता नहीं है, और न ही यह टूटता है जब गणित जटिल हो जाता है या डेटा अजीब व्यवहार करता है। यह वैज्ञानिकों को मशीन लर्निंग के युग में अपने उत्तरों पर भरोसा करने का एक तरीका प्रदान करता है, यह सुनिश्चित करते हुए कि जब वे कहते हैं, "हमें 95% विश्वास है," तो उनका वास्तव में वही अर्थ होता है।

तकनीकी सारांश: अर्ध-पैरामीट्रिक अनुमान के लिए V-फोल्ड जैकनाइफ (V-Fold Jackknife)

समस्या विवरण
सांख्यिकीय अनुमान के लिए बूटस्ट्रैप (bootstrap) लंबे समय से एक डिफ़ॉल्ट उपकरण के रूप में कार्य करता रहा है क्योंकि इसकी व्यापक प्रयोज्यता और न्यूनतम विश्लेषणात्मक आवश्यकताएं हैं। हालांकि, आधुनिक अर्ध-पैरामीट्रिक और मशीन लर्निंग-आधारित अनुमानों के लिए इसकी सैद्धांतिक वैधता काफी हद तक अनstudied (अध्ययनहीन) रही है। उच्च-आयामी (high-dimensional) न्युसेंस अनुमान, अनुकूली मॉडल चयन (adaptive model selection), और मशीन लर्निंग एल्गोरिदम से जुड़े समकालीन परिवेशों में, साधारण गैर-पैरामीट्रिक बूटस्ट्रैप अक्सर विफल हो जाता है। प्रतिस्थापन के साथ पुन: नमूनाकरण (resampling with replacement) अनुभवजन्य वितरण को इस तरह से विचलित करता है जो डेटा-अनुकूली अनुमान पथ (जैसे, ट्यूनिंग पैरामीटर चयन, आंतरिक क्रॉस-वैलिडेशन स्प्लिट्स, और फिट किए गए न्युसेंस अनुमानक) को बदल देता है। फलस्वरूप, बूटस्ट्रैप नमूने पर गणना किया गया अनुमानक उसी प्रथम-क्रम विस्तार (first-order expansion) को संतुष्ट नहीं कर पाता है, जिससे अमान्य अनुमान (invalid inference) होता है। इसके अलावा, सैकड़ों या हजारों बार जटिल अनुमानकों को फिर से फिट करने की कम्प्यूटेशनल लागत अत्यधिक है। एक ऐसे अनुमान ढांचे की आवश्यकता है जो कम्प्यूटेशनल रूप से कुशल हो, प्रभाव कार्यों (influence functions) के विश्लेषणात्मक व्युत्पत्ति पर निर्भर न हो, और जो 'एजम्पोटिकली लीनियर' (asymptotically linear) अनुमानकों के लिए सैद्धांतिक रूप से न्यायसंगत हो।

कार्यप्रणाली
यह शोध पत्र V-फोल्ड जैकनाइफ (एक समूहबद्ध या डिलीट-ए-ग्रुप जैकनाइफ) को एक कम्प्यूटेशनल रूप से कुशल और सैद्धांतिक रूप से न्यायसंगत विकल्प के रूप में प्रस्तावित करता है। प्रक्रिया में शामिल है:

विभाजन (Partitioning): आकार $n$ के नमूने को $V$ विलगित (disjoint), लगभग समान आकार के फोल्ड्स $\{I_1, \dots, I_V\}$ में विभाजित करना।
लीव-फोल्ड-आउट अनुमान (Leave-Fold-Out Estimation): प्रत्येक $v=1, \dots, V$ के लिए, फोल्ड $v$ को छोड़कर उप-नमूने पर अनुमानक $\hat{\Psi}(P_{n,-v})$ की गणना करना।
स्यूडो-वैल्यू निर्माण (Pseudo-value Construction): जैकनाइफ स्यूडो-वैल्यू की गणना करना जो इस प्रकार परिभाषित है: $IC_{Jack}(v) = V\hat{\Psi}(P_n) - (V-1)\hat{\Psi}(P_{n,-v})$ ।
विचरण अनुमान (Variance Estimation): इन स्यूडो-वैल्यू के अनुभवजन्य फैलाव (empirical dispersion) का उपयोग करके विचरण का अनुमान लगाना: $\hat{S}^2_{Jack} = (V-1)^{-1} \sum_{v=1}^V (IC_{Jack}(v) - \hat{\Psi}_{Jack}(P_n))^2$ ।
अनुमान (Inference): $t$ -वितरण के क्रिटिकल मानों ( $t_{V-1}$ ) के साथ स्टूडेंटाइज्ड सांख्यिकी (Studentized statistic) का उपयोग करके विश्वास अंतराल (confidence intervals) का निर्माण करना, न कि मानक सामान्य वितरण का।

यह विधि पथ-व्युत्पन्न (pathwise differentiable) मापदंडों (जैसे, TMLE, वन-स्टेप अनुमानक, ऑगमेंटेड IPW) के नियमित रूप से एजम्पोटिकली लीनियर अनुमानकों के लिए विकसित की गई है और इसे सामान्यीकृत एजम्पोटिकली लीनियर अनुमानकों तक विस्तारित किया गया है जहाँ प्रभाव फलन का विचरण नमूना आकार के साथ बढ़ता है (जैसे, HAL डोज़-रिस्पॉन्स कर्व्स)।

प्रमुख योगदान
शोध पत्र छह प्राथमिक सैद्धांतिक और पद्धतिगत योगदान स्थापित करता है:

फिक्स्ड-V एजम्पोटिक थ्योरी (Fixed-V Asymptotic Theory): लेखक मैक्सिमम लाइकलीहुड अनुमानकों से ब्रिलिंगर (1964) के परिणाम को पूर्ण वर्ग के नियमित एजम्पोटिकली लीनियर अनुमानकों तक विस्तारित करते हैं। वे सिद्ध करते हैं कि एक निश्चित $V \ge 2$ के लिए, स्टूडेंटाइज्ड V-फोल्ड जैकनाइफ सांख्यिकी $t_{V-1}$ वितरण में अभिसरित होती है। यह वैध विश्वास अंतराल की अनुमति देता है, भले ही फिक्स्ड $V$ होने पर जैकनाइफ विचरण अनुमानक वास्तविक एजम्पोटिक विचरण में संभाव्यता के साथ अभिसरित न हो।
डाइवर्जिंग-V निरंतरता (Diverging-V Consistency): शोध पत्र यह स्थापित करता है कि जैसे-जैसे $V \to \infty$ होता है (शर्त $V = o(n)$ और विशिष्ट शेष स्थिरता शर्तों के अधीन), जैकनाइफ विचरण अनुमानक $V^{-1/2}$ की दर से सुसंगत (consistent) होता है। यह $V$ के धीरे-धीरे बढ़ने (जैसे, $V = \log n$ ) के साथ वाल्ड-टाइप अनुमान (Wald-type inference) के उपयोग का समर्थन करता है।
सिमल्टेनियस कॉन्फिडेंस बैंड्स (Simultaneous Confidence Bands): लेखक समूहबद्ध जैकनाइफ पर आधारित पहला सिमल्टेनियस कॉन्फिडेंस बैंड निर्माण विकसित करते हैं। यह विधि एक कंपोनेंटवाइज-स्टूडेंटाइज्ड लिमिटिंग डिस्ट्रीब्यूशन का उपयोग करती है जो फोल्ड-स्तरीय डिनोमिनेटर्स की विशार्ट संरचना (Wishart structure) को ध्यान में रखती है। क्रिटिकल मान अनुमानित सहसंबंध मैट्रिक्स (correlation matrix) से मोंटे कार्लो सिमुलेशन के माध्यम से गणना किए जाते हैं, जिससे विश्लेषणात्मक प्रभाव फलन स्टैकिंग या भारी बूटस्ट्रैप रिफिट्स की आवश्यकता समाप्त हो जाती है।
गैर- $\sqrt{n}$ दरों के लिए स्केल इनवेरिएंस (Scale Invariance for Non- $\sqrt{n}$ Rates): इस ढांचे को उन अनुमानकों तक विस्तारित किया गया है जिनमें $\sqrt{n}$ से धीमी अभिसरण दरें हैं जहाँ प्रभाव फलन का विचरण बढ़ता है (जैसे, HAL अनुमानक)। स्टूडेंटाइजेशन प्रक्रिया को स्केल-इनवेरिएंट दिखाया गया है; अज्ञात बढ़ता हुआ दर अंश (numerator) और हर (denominator) में रद्द हो जाता है, जिससे प्रभावी आयाम या अभिसरण दर को स्पष्ट रूप से प्राप्त या अनुमानित किए बिना वैध अनुमान संभव होता है।
बायस-करेक्टेड बैंड्स (Bias-Corrected Bands): शोध पत्र बायस-करेक्टेड सिमल्टेनियस कॉन्फिडेंस बैंड्स पेश करता है जो परिमित-नमूना पूर्वाग्रह (finite-sample bias) को संबोधित करने के लिए पूर्ण जैकनाइफ बायस अनुमान ( $|\hat{b}_j|$ ) से अंतराल को चौड़ा करता है, जो गैर-स्मूथ मापदंडों के लिए विशेष रूप से प्रासंगिक है।
अनुभवजन्य सत्यापन (Empirical Validation): औसत उपचार प्रभाव (TMLE), कपलान-मीयर सर्वाइवल कर्व्स, और HAL-आधारित डोज़-रिस्पॉन्स कर्व्स पर व्यापक सिमुलेशन यह प्रदर्शित करते हैं कि यह विधि कितनी विश्वसनीय है।

परिणाम
सिमुलेशन अध्ययन V-फोल्ड जैकनाइफ के सैद्धांतिक गुणों की पुष्टि करते हैं:

स्केलर अनुमान (ATE): गंभीर पॉजिटिविटी उल्लंघन या मिसस्पेसिफाइड न्युसेंस मॉडल वाले परिदृश्यों में, मानक प्रभाव-फलन-आधारित (EIC) विधियाँ और रोबस्ट विचरण अनुमानक पर्याप्त अंडर-कवरेज (70% जितना कम) प्रदर्शित करते हैं। $t_{V-1}$ क्रिटिकल मानों के साथ V-फोल्ड जैकनाइफ, छोटे नमूना आकार ( $n=200$ ) पर भी, सभी परिदृश्यों में नाममात्र 95% स्तर के पास या उससे ऊपर कवरेज बनाए रखता है। हालांकि छोटे $V$ और $n$ पर इनके अंतराल बूटस्ट्रैप अंतरालों की तुलना में अधिक चौड़े होते हैं, लेकिन ये वहां विश्वसनीय कवरेज प्रदान करते हैं जहां अन्य विधियां विफल हो जाती हैं।
फंक्शनल अनुमान (सर्वाइवल कर्व्स): कपलान-मीयर अनुमानक के लिए, V-फोल्ड जैकनाइफ स्थापित विधियों (ग्रीनवुड फॉर्मूला, हॉल-वेलनर, बूटस्ट्रैप) के तुलनीय पॉइंटवाइज और सिमल्टेनियस बैंड बनाता है। यह विधि अनुमानित सहसंबंध मैट्रिक्स की सिंगुलैरिटी (जब मूल्यांकन बिंदुओं की संख्या $m > V-1$ हो) को सहसंबंध संरचना की निम्न प्रभावी रैंक का लाभ उठाकर प्रभावी ढंग से संभालती है।
गैर-मानक दरें (HAL डोज़-रिस्पॉन्स): HAL-आधारित डोज़-रिस्पॉन्स कर्व्स के लिए, डेल्टा मेथड अक्सर संख्यात्मक रूप से विफल हो जाता है (NA स्टैंडर्ड एरर उत्पन्न करता है) और सांख्यिकीय रूप से (ऑसिलेटिंग परिदृश्यों में 19.2% जैसे गंभीर अंडर-कवरेज के साथ) विफल होता है। V-फोल्ड जैकनाइफ कभी भी संख्यात्मक रूप से विफल नहीं होता है और तुलना की गई विधियों में लगातार उच्चतम कवरेज प्राप्त करता है। बायस-करेक्टेड बैंड्स मध्यम पूर्वाग्रह वाले सेटिंग्स में नाममात्र कवरेज को सफलतापूर्वक बहाल करते हैं।

महत्व
शोध पत्र दावा करता है कि V-फोल्ड जैकनाइफ आधुनिक अर्ध-पैरामीट्रिक अनुमान के लिए बूटस्ट्रैप का एक व्यावहारिक, कम्प्यूटेशनल रूप से कुशल और सैद्धांतिक रूप से पुख्ता विकल्प है। इसका महत्व तीन क्षेत्रों में है:

कम्प्यूटेशनल दक्षता: इसके लिए बूटस्ट्रैप द्वारा आवश्यक सैकड़ों या हजारों के बजाय केवल $V$ रिफिट्स (जैसे, 5–20) की आवश्यकता होती है, जिससे यह महंगी मशीन लर्निंग-आधारित अनुमानों के लिए व्यवहार्य हो जाता है।
सैद्धांतिक मजबूती: यह प्रभाव कार्यों के जटिल विश्लेषणात्मक व्युत्पत्ति या उन बूटस्ट्रैप वैधता शर्तों के सत्यापन की आवश्यकता के बिना, नियमित एजम्पोटिकली लीनियर अनुमानकों के लिए वैध अनुमान प्रदान करता है जो अक्सर डेटा-अनुकूली एल्गोरिदम द्वारा उल्लंघन की जाती हैं।
बहुमुखी प्रतिभा: यह स्केल इनवेरिएंस के माध्यम से गैर-मानक अभिसरण दरों और बढ़ते विचरण को स्वाभाविक रूप से संभालता है, जो एक ऐसा गुण है जो चिकित्सकों को प्रभावी आयाम या अभिसरण दर को जाने बिना जटिल फलनों (जैसे डोज़-रिस्पॉन्स कर्व्स) पर अनुमान करने की अनुमति देता है।

लेखक इस बात पर जोर देते हैं कि जबकि फिक्स्ड- $V$ $t_{V-1}$ सुधार सामान्य सन्निकटन (normal approximations) की तुलना में एक परिमित-नमूना सुधार प्रदान करता है, सिमल्टेनियस बैंड्स और डाइवर्जिंग- $V$ परिदृश्यों के लिए इसकी वैधता अंतर्निहित अनुमानक के फोल्ड-स्तरीय शेष स्थिरता (remainder stability) पर निर्भर करती है। यह दृष्टिकोण उन सेटिंग्स में विशेष रूप से मूल्यवान है जहाँ विश्लेषणात्मक स्टैंडर्ड एरर अनुपलब्ध, कठिन या संख्यात्मक रूप से अस्थिर होते हैं।

तकनीकी सारांश: अर्ध-पैरामीट्रिक अनुमान के लिए V-फोल्ड जैकनाइफ (V-Fold Jackknife)

इसी तरह के और पेपर