High breakdown point robust regression with censored data
删失数据的高崩溃点稳健回归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：摘要研究一般删失线性回归的稳健估计，未明确涉及离散选择、因果效应或其他所列方向。
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…
删失数据的高崩溃点稳健回归
- 研究问题
- 当线性回归响应变量存在删失且数据可能含高杠杆异常点时，如何构造兼具稳健性、一致性与可计算性的估计方法？
- 方法与思路
- 作者推广 LMS、S、MM 和 τ 回归估计，使用有界损失或再下降得分定义估计量，并提出计算算法及实例和模拟。
- 材料陈述的贡献
- 摘要称，所提估计具有高崩溃点并抵御高杠杆异常点，可用有界损失构造一致估计，模拟还显示良好的有限样本性质。
- 阅读关注点
- 应核对删失机制与一致性条件、崩溃点定义、异常点设定，以及有界损失的处理方式、算法实现和模拟比较指标。
- 阅读边界
- 摘要未说明删失假设、崩溃点数值或模拟结果，无法判断严重删失下的实际表现；所给索引摘要未注明稿件版本。
原文摘要
In this paper, we propose a class of high breakdown point estimators for the linear regression model when the response variable contains censored observations. These estimators are robust against high-leverage outliers and they generalize the LMS (least median of squares), S, MM and τ-estimators for linear regression. An important contribution of this paper is that we can define consistent estimators using a bounded loss function (or equivalently, a redescending score function). Since the calculation of these estimators can be computationally costly, we propose an efficient algorithm to compute them. We illustrate their use on an example and present simulation studies that show that these estimators also have good finite sample properties.