High Breakdown-Point Estimates of Regression by Means of the Minimization of an Efficient Scale
通过最小化高效尺度构造高崩溃点回归估计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：摘要属于一般稳健回归理论，未直接涉及因果、面板或其他所列领域细分。
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…
关注这篇论文的作者
通过最小化高效尺度构造高崩溃点回归估计
- 研究问题
- 如何构造同时具有定性稳健性、高崩溃点和正态误差下高效率的回归估计，并建立其渐近性质与可计算方法？
- 方法与思路
- 作者通过最小化残差的 τ 尺度定义估计量，以两个影响函数的自适应加权描述其渐近等价形式，并给出迭代算法。
- 材料陈述的贡献
- 摘要称 τ 估计兼具定性稳健性、零点五的崩溃点及正态误差下高效率，并证明一致性、渐近正态性和算法收敛。
- 阅读关注点
- 应核对尺度与权重的定义、崩溃点和效率结论的条件、迭代算法的收敛含义，以及粗大误差污染下的偏差比较。
- 阅读边界
- 依据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未提供完整正则条件、效率数值或全局最小化保证。
原文摘要
A new class of robust estimates, τ estimates, is introduced. The estimates have simultaneously the following properties: (a) they are qualitatively robust, (b) their breakdown point is .5, and (c) they are highly efficient for regression models with normal errors. They are defined by minimizing a new scale estimate, τ, applied to the residuals. Asymptotically, a τ estimate is equivalent to an M estimate with a ψ function given by a weighted average of two ψ functions, one corresponding to a very robust estimate and the other to a highly efficient estimate. The weights are adaptive and depend on the underlying error distribution. We prove consistency and asymptotic normality and give a convergent iterative computing algorithm. Finally, we compare the biases produced by gross error contamination in the τ estimates and optimal bounded-influence estimates.