Minimum Hellinger Distance Estimation for Multivariate Location and Covariance
多元位置与协方差的最小 Hellinger 距离估计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：摘要属于通用多元稳健估计理论，没有金融风险、波动率或其他所列细分方向的明确应用。
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
多元位置与协方差的最小 Hellinger 距离估计
- 研究问题
- 能否通过最小化非参数密度估计与模型族之间的 Hellinger 距离，获得兼具渐近性质与稳健性的多元位置和协方差估计？
- 方法与思路
- 作者以非参数密度估计和模型族之间的距离最小化构造估计量，研究仿射不变性、渐近性质与崩溃点，并进行模拟比较。
- 材料陈述的贡献
- 摘要称，在适当限制下估计量具有一致性和渐近正态性，其崩溃点表现优于所比较的 M 估计量，模拟也支持其稳健性。
- 阅读关注点
- 应核对密度估计和模型族的限制、仿射不变性的具体含义，以及崩溃点定义、污染设置和模拟中比较对象的选择。
- 阅读边界
- 依据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出限制条件、崩溃点数值或模拟细节，不能断言普遍优于其他稳健方法。
原文摘要
The Hellinger distance between a nonparametric density estimator and a model family is minimized to produce estimates of location and covariance in multivariate data. With suitable restrictions on the density estimators and the model family, these minimum Hellinger distance estimators (MHDE's) are shown to be affine invariant, consistent, and asymptotically normal. The robustness of the MHDE as measured by the breakdown point compares favorably against the previously studied M-estimators. Monte Carlo results suggest that the MHDE's are an attractive robust alternative to the usual sample means and covariance matrix.