Optimal Robust M-Estimates of Location
位置参数的最优稳健 M 估计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：摘要核心是一般位置参数的稳健估计，分位数仅作为优化目标的一部分。
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…
位置参数的最优稳健 M 估计
- 研究问题
- 当独立观测的共同分布位于正态模型的污染邻域内，如何兼顾渐近偏差与方差，构造稳健位置估计和短置信区间？
- 方法与思路
- 作者采用渐近极小极大方法，将非对称分布纳入完整污染邻域，并最小化渐近方差与偏差的单调函数。
- 材料陈述的贡献
- 摘要称获得相应的最优稳健估计，并构造具有极小极大长度的稳健渐近置信区间，优化目标也涵盖分位数近似。
- 阅读关注点
- 应核对污染邻域的定义及尺度、偏差和方差的组合准则、最优 M 估计的形式，以及区间长度与覆盖率的条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；最优性限于所设邻域、准则和渐近框架，未说明有限样本覆盖率或任意污染下的表现。
原文摘要
We find optimal robust estimates for the location parameter of n independent measurements from a common distribution F that belongs to a contamination neighborhood of a normal distribution. We follow an asymptotic minimax approach similar to Huber's but work with full neighborhoods of the central parametric model including nonsymmetric distributions. Our optimal estimates minimize monotone functions of the estimate's asymptotic variance and bias, which include asymptotic approximations for the quantiles of the estimate's distribution. In particular, we obtain robust asymptotic confidence intervals of minimax length.