Robust Estimation for Grouped Data
分组数据的稳健估计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：分组数据在此指统计观测的汇总形式，摘要未提供面板、网络或其他所列领域的直接依据。
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…
分组数据的稳健估计
- 研究问题
- 对于以组别汇总形式观测的数据，最小幂散度估计在模型偏离下会产生多大偏差，又如何构造影响有界的稳健替代？
- 方法与思路
- 作者考察包含最大似然估计的最小幂散度估计类，并扩展估计量类别，参照 Hampel 定理定义最优有界影响估计量。
- 材料陈述的贡献
- 摘要称原估计类在模型偏离下可能产生较大偏差；模拟显示，新估计量在小幅污染下比经典分组数据估计量更稳定。
- 阅读关注点
- 应核对分组观测机制、污染模型、最优性的目标与约束，以及稳健估计在无污染情形下可能付出的效率代价。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；影响函数形式、污染幅度和模拟设计未说明，不能将小污染下的稳定性推广到所有偏离。
原文摘要
Here we investigate the robustness properties of the class of minimum power divergence estimators for grouped data. This class contains the classical maximum likelihood estimators for grouped data. We find that the bias of these estimators due to deviations from the assumed underlying model can be large. Therefore, we propose a more general class of estimators that allows us to construct robust procedures. By analogy with Hampel's theorem, we define optimal bounded influence function estimators, and by a simulation study, we show that under small model contaminations, these estimators are more stable than the classical estimators for grouped data. Finally, we apply our results to a particular real example.