A Minimax-Bias Property of the Least $\alpha$-Quantile Estimates
最小α分位数估计的极小极大偏差性质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：摘要研究污染下稳健回归的极小极大偏差，未研究条件分位数或分布效应。
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α分位数估计的极小极大偏差性质
- 研究问题
- 以污染邻域中的最大渐近偏差衡量稳健性时，最小α分位数回归估计的极小极大性质能否扩展至更广的估计量类？
- 方法与思路
- 作者定义残差可容许估计量类，将既有M估计类中的结论扩展到多种由回归残差定义的稳健估计量。
- 材料陈述的贡献
- 摘要称最小α分位数估计在更广的残差可容许类中具有极小极大偏差性质；该结果要求中心模型下解释变量具有椭圆分布。
- 阅读关注点
- 应核对残差可容许性的定义、α与污染程度的关系、椭圆分布要求，以及最小α分位数准则与通常分位数回归的区别。
- 阅读边界
- OpenAlex索引摘要未注明稿件版本。结论受摘要明确列出的椭圆分布条件约束，且最大渐近偏差最优不能直接推出方差或有限样本误差最优。
原文摘要
A natural measure of the degree of robustness of an estimate $\mathbf{T}$ is the maximum asymptotic bias $B_\mathbf{T}(\varepsilon)$ over an $\varepsilon$-contamination neighborhood. Martin, Yohai and Zamar have shown that the class of least $\alpha$-quantile regression estimates is minimax bias in the class of $M$-estimates, that is, they minimize $B_\mathbf{T}(\varepsilon)$, with $\alpha$ depending on $\varepsilon$. In this paper we generalize this result, proving that the least $\alpha$-quantile estimates are minimax bias in a much broader class of estimates which we call residual admissible and which includes most of the known robust estimates defined as a function of the regression residuals (e.g., least median of squares, least trimmed of squares, $S$-estimates, $\tau$-estimates, $M$-estimates, signed $R$-estimates, etc.). The minimax results obtained here, likewise the results obtained by Martin, Yohai and Zamar, require that the carriers have elliptical distribution under the central model.