다중표본 함수의 분석적 편향 감소와 효율적 추정법

본 논문은 비모수 통계량의 편향을 고차까지 체계적으로 감소시키는 분석적 방법을 제시한다. 기존에 널리 사용되는 부트스트랩과 잭knife는 2차 편향 감소를 제공하지만, 표본 전체 크기 \(N\)에 대해 \(O(N^2)\) 연산이 필요해 대규모 데이터에 비효율적이다. 이를 극복하고자 저자는 “\(p\)차 추정량”이라는 개념을 도입한다. 여기서 \(p\)차 추정량이란 편향이 \(n_0^{-p}\) 수준으로 감소하는 추정량이며, \(n_0\)는 최소 표본 크기이다. 핵심 아이디어는 von Mises 파생함수(함수적 미분)를 이용해 목표 함수 \(T(F)\)를 경험분포 \(\hat F\) 주변에서 테일러 전개하는 것이다. 이 전개는 고차 파생함수까지 포함할 수 있으며, 각 파생함수는 “영향 함수”와 그 고차 교정항을 통해 구한다. 저자는 이러한 파생함수를 이용해 무편향 추정식(UE)을 세 가지 형태—S, T, V—로 구성한다. V형은 가장 일반적인 형태로, 다중합성곱 형태의 무편향 추정식을 제공한다. 여기서는 대칭 다항식과 파워합을 연결하는 기존 표(예: Stuart & Ord, David & Kendall)를 활용해 \(V_r\)를 계산한다. V형 식은 \