Robust Modeling for Inference From Generalized Linear Model Classes
广义线性模型类推断的稳健建模AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦广义线性模型的稳健推断，二项模型和混合模型的出现不足以确认离散选择或面板研究方向，因此暂不分类。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
广义线性模型类推断的稳健建模
- 研究问题
- 广义线性模型的最大似然估计容易受异常值影响，如何构造新的统计模型，使推断具有稳健性并保留无异常值时的效率？
- 方法与思路
- 作者提出适用于 Poisson、二项广义线性模型及广义线性混合模型的新模型，其似然得分方程产生具有有界影响的估计量。
- 材料陈述的贡献
- 摘要称新模型得到的估计量可抵抗异常值影响，同时在没有异常值时维持较高效率，并覆盖若干常用模型类别。
- 阅读关注点
- 阅读全文时应核对新模型的概率结构、有界影响的正式含义，以及效率比较的基准和混合模型扩展所需的条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；异常值类型、效率度量和具体模型未说明，不能据此判断各种污染情形下的表现。
原文摘要
Generalized linear models (GLMs) are widely used for data analysis; however, their maximum likelihood estimators can be sensitive to outliers. We propose new statistical models that allow robust inferences from the GLM class of models, including Poisson and binomial GLMs, and their extension to generalized linear mixed models. The likelihood score equations from the new models give estimators with bounded influence, so that the resulting estimators are robust against outliers while maintaining high efficiency in the absence of outliers.