Asymptotic Theory of Least Absolute Error Regression
最小绝对误差回归的渐近理论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：摘要研究绝对损失回归并明确联系样本中位数的渐近性质，与分位数方法直接相关，但未讨论具体经济分布效应。
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
最小绝对误差回归的渐近理论
- 研究问题
- 在线性模型具有独立同分布误差时，最小绝对误差估计是否一致并渐近正态，何时能获得比最小二乘更紧的置信椭球？
- 方法与思路
- 作者研究绝对残差和最小化估计的渐近分布，并将其协方差与设计矩阵的极限及误差分布下样本中位数的方差联系。
- 材料陈述的贡献
- 摘要称估计量一致且渐近高斯；当样本中位数的位置估计效率高于样本均值时，其渐近置信椭球严格小于最小二乘。
- 阅读关注点
- 应核对误差分布与设计矩阵的正则条件、中位数渐近方差的定义，以及置信椭球比较所采用的尺度和置信水平。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；公式上下标排版不清，需核对原文；具体正则条件及有限样本性质未说明。
原文摘要
In the general linear model with independent and identically distributed errors and distribution function F, the estimator which minimizes the sum of absolute residuals is demonstrated to be consistent and asymptotically Gaussian with covariance matrix ω2 Q -1, where Q = lim T -1 X'X and ω2 is the asymptotic variance of the ordinary sample median from samples with distribution F. Thus the least absolute error estimator has strictly smaller asymptotic confidence ellipsoids than the least squares estimator for linear models from any F for which the sample median is a more efficient estimator of location than the sample mean.