Jackknife 通常指的是 2 个相关但不同的过程，这两个过程都依赖于一种留一法——导致这种非常混乱。

在一种情况下，折刀可用于估计总体参数及其标准误差。例如，要使用折刀法来估计简单回归模型的斜率和截距，可以：

1. 使用所有可用数据估计斜率和截距。
2. 省略 1 个观察值并估计斜率和截距（也称为系数的“部分估计”）。
3. 计算斜率和截距的“部分估计”和“所有数据”估计之间的差异（也称为系数的“伪值”）。
4. 对整个数据集重复步骤 2 和 3。
5. 计算每个系数的伪值的平均值——这些是斜率和截距的折刀估计

系数的伪值和折刀估计也可用于确定标准误差，从而确定置信区间。通常，这种方法会为系数提供更宽的置信区间，因为它是一种更好、更保守的不确定性度量。此外，这种方法也可用于获得系数偏差的折刀估计。

在另一种情况下，折刀用于评估模型性能。在这种情况下，jackknife = leave-one-out 交叉验证。两者都是指在校准数据集中留下一个观测值，重新校准模型，并预测被遗漏的观测值。本质上，每个观察都是使用其对预测变量的“部分估计”来预测的。

这是我在网上找到的关于折刀的一篇不错的小文章： https ://www.utdallas.edu/~herve/abdi-Jackknife2010-pretty.pdf

在交叉验证中，您计算​​遗漏样本的统计数据。大多数情况下，您通过建立在保留样本上的模型来预测遗漏的样本。在jackknifing 中，您仅从保留的样本中计算统计量。