Linearized maximum rank correlation estimation
线性化最大秩相关估计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：摘要研究通用单指标回归，未明确离散选择、因果效应或其他所列细分方向。
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…
线性化最大秩相关估计
- 研究问题
- 在链接函数与误差分布未知的单指标模型中，能否构造具有闭式表达、对响应异常值稳健且便于推断的秩估计量？
- 方法与思路
- 作者提出线性化最大秩相关估计，利用预测变量的期望线性条件建立渐近结果，并用代入法或随机加权重抽样估计方差。
- 材料陈述的贡献
- 摘要称，估计量具有闭式表达，并在相应条件下一致且渐近正态；还讨论删失数据调整、高维惩罚扩展和模拟应用。
- 阅读关注点
- 应核对期望线性假设、单指标参数的识别与归一化、异常值稳健性的含义，以及删失和高维扩展各自需要的条件。
- 阅读边界
- 仅依据所给 Crossref 摘要；摘要未说明完整正则条件、稳健性范围或扩展的理论细节，不能将模拟表现视为普遍优势。
原文摘要
Summary We propose a linearized maximum rank correlation estimator for the single-index model. Unlike the existing maximum rank correlation and other rank-based methods, the proposed estimator has a closed-form expression, making it appealing in theory and computation. The proposed estimator is robust to outliers in the response and its construction does not need knowledge of the unknown link function or the error distribution. Under mild conditions, it is shown to be consistent and asymptotically normal when the predictors satisfy the linearity of the expectation assumption. A more general class of estimators is also studied. Inference procedures based on the plug-in rule or random weighting resampling are employed for variance estimation. The proposed method can be easily modified to accommodate censored data. It can also be extended to deal with high-dimensional data combined with a penalty function. Extensive simulation studies provide strong evidence that the proposed method works well in various practical situations. Its application is illustrated with the Beijing PM 2.5 dataset.