Robust Estimators of Scale: Finite-Sample Performance in Long-Tailed Symmetric Distributions
稳健尺度估计量：长尾对称分布下的有限样本表现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：摘要研究通用稳健尺度估计，长尾分布本身不足以归入金融尾部风险或波动率。
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
稳健尺度估计量：长尾对称分布下的有限样本表现
- 研究问题
- 在长尾对称分布和样本量为二十的情况下，不同尺度估计量的稳健表现如何，哪些估计量在所考察情形中更有优势？
- 方法与思路
- 作者进行 Monte Carlo 比较，考察 A 类估计量、样本标准差、MAD、截尾标准差和尺度 M 估计量在若干分布中的表现。
- 材料陈述的贡献
- 摘要称所考察的 A 类估计量表现较稳健，其中采用 biweight 权重的估计量最成功；该判断来自限定情形的模拟。
- 阅读关注点
- 应核对模拟分布、稳健性的评价指标、估计量调节参数与重复次数，并查看不同尾部形态下比较结果是否稳定。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；比较限定于样本量二十及所选对称分布，不能泛化。
原文摘要
This article presents the results of a Monte Carlo study of the robustness of scale estimates in the presence of long-tailed, symmetric distributions. The article examines the performance of several families of estimates in samples of size 20 from several distributions. The family of A-estimators, finite sample approximations to the asymptotic variance of M-estimators of location, appears to be more robust than the sample standard deviation, the median absolute deviation from the median (MAD), trimmed standard deviations, and M-estimators of scale. The most successful A estimator uses the biweight weighting function, which is also the basis for high-performance robust location estimates.