The Least Trimmed Differences Regression Estimator and Alternatives
最小修剪差分回归估计量及其替代方法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：摘要研究通用稳健线性回归，修剪残差差分本身不足以归为分位数或分布效应。
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…
最小修剪差分回归估计量及其替代方法
- 研究问题
- 能否通过修剪成对残差差分构造兼具高崩溃点和较高正态效率的回归估计，并解决计算与标准误估计问题？
- 方法与思路
- 作者以成对残差差分平方中最小四分之一的和为目标，研究包含该估计量的一类方法，并采用可行解算法及半样本刀切。
- 材料陈述的贡献
- 摘要报告 LTD 的崩溃点为50%、高斯效率为66%，并给出最大偏差及大样本性质；模拟较稳定，但实例仍有扰动敏感性。
- 阅读关注点
- 核对崩溃点和效率对应的模型条件、成对差分的选取规则，以及可行解算法是否达到目标最优值和刀切标准误的表现。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；所报效率与稳定性有模型和比较范围限制，不能据此认定实际数据中普遍优于其他稳健方法。
原文摘要
This article proposes and studies the performance in theory and practice of the least trimmed differences (LTD) linear regression estimator. The estimator minimizes the sum of the smallest quartile of the squares of the differences in each pair of residuals. We obtain the breakdown point, maxbias curve, and large-sample properties of a class of estimators including the LTD as special case. The LTD estimator has a 50% breakdown point and Gaussian efficiency of 66%—substantially higher than other common high-breakdown estimators such as least median of squares and least trimmed squares. The LTD estimator is difficult to compute, but can be performed using a “feasible solution” algorithm. Half-sample jackknifing is effective in producing standard errors. In simulations we find the LTD to be more stable than other high-breakdown estimators. In an example, the LTD still shows instability like other high-breakdown estimators when there are small changes in the data.