Projection Estimators for Generalized Linear Models
广义线性模型的投影估计量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：摘要研究通用广义线性模型的稳健估计，二项回归示例不足以归入离散选择领域。
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
广义线性模型的投影估计量
- 研究问题
- 如何将线性回归的稳健投影估计推广到广义线性模型，控制异常值污染造成的渐近偏差，并获得便于推断的估计量？
- 方法与思路
- 作者从仅含一个未知参数的初始稳健估计构造投影估计，再以其为起点形成一步加权M估计，以兼顾稳健性和渐近正态性。
- 材料陈述的贡献
- 摘要称给出最大渐近偏差界，小污染比例下约为初始估计最大偏差的两倍且不依赖回归变量个数，并展示一步估计性质。
- 阅读关注点
- 应核对污染模型、初始估计要求、偏差界与小污染近似条件，并检查一步权重构造及二项、泊松回归中的模拟比较。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明。摘要未给完整条件；投影估计本身不渐近正态，模拟中的有利表现不能外推至所有GLM。
原文摘要
We introduce a new class of robust estimators for generalized linear models which is an extension of the class of projection estimators for linear regression. These projection estimators are defined using an initial robust estimator for a generalized linear model with only one unknown parameter. We found a bound for the maximum asymptotic bias of the projection estimator caused by a fraction ε of outlier contamination. For small ε, this bias is approximately twice the maximum bias of the initial estimator independently of the number of regressors. Since these projection estimators are not asymptotically normal, we define one-step weighted M-estimators starting at the projection estimators. These estimators have the same asymptotic normal distribution as the M-estimator and a degree of robustness close to the one of the projection estimator. We perform a Monte Carlo simulation for the case of binomial and Poisson regression with canonical links. This study shows that the proposed estimators compare favorably with respect to other robust estimators. Supplemental Material containing the proofs and the numerical algorithm used to compute the P-estimator is available online.