Functional stability of one-step GM-estimators in approximately linear regression
近似线性回归中一步 GM 估计量的泛函稳定性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：摘要讨论一般稳健线性回归的污染敏感性，未明确对应任何给定经济计量细分方向。
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…
关注这篇论文的作者
近似线性回归中一步 GM 估计量的泛函稳定性
- 研究问题
- 一步 Newton–Raphson 更新能否兼顾高崩溃点初始估计的全局稳定性与 GM 估计的局部稳定性，其污染敏感性如何？
- 方法与思路
- 作者对统一的一步估计量类别开展敏感性分析，推导污染引起的最大偏差上界，并比较三种典型 GM 形式。
- 材料陈述的贡献
- 摘要称偏差界可给出崩溃点与局部偏差收敛率；在所比较的一步形式中 Hill–Ryan 最稳定，Schweppe 存在 Hessian 崩溃风险。
- 阅读关注点
- 应核对污染类与初始估计条件、最大偏差界及崩溃点的定义，以及 Hessian 不稳定如何影响局部稳定性和精度估计。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；稳定性排序限于文中比较及度量，摘要未说明其在其他设定下是否成立。
原文摘要
This paper provides a comparative sensitivity analysis of one-step Newton–Raphson estimators for linear regression. Such estimators have been proposed as a way to combine the global stability of high breakdown estimators with the local stability of generalized maximum likelihood estimators. We analyze this strategy, obtaining upper bounds for the maximum bias induced by $\varepsilon$-contamination of the model. These bounds yield break-down points and local rates of convergence of the bias as $\varepsilon$decreases to zero. We treat a unified class of Newton–Raphson estimators, including one-step versions of the well-known Schweppe, Mallows and Hill–Ryan GM estimators. Of the three well-known types, the Hill–Ryan form emerges as the most stable in terms of one-step estimation. The Schweppe form is susceptible to a breakdown of the Hessian matrix. For this reason it fails to improve on the local stability of the initial estimator, and it may lead to falsely optimistic estimates of precision.