The Behavior of the Stahel-Donoho Robust Multivariate Estimator
Stahel–Donoho 稳健多元估计量的表现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：摘要研究一般多元位置与散布的稳健估计，未明确涉及资产定价、金融风险或其他所列方向。
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…
关注这篇论文的作者
Stahel–Donoho 稳健多元估计量的表现
- 研究问题
- 基于各一维投影衡量离群程度的多元位置与散布估计，在效率、点质量污染偏差及异常值检测方面有何表现？
- 方法与思路
- 作者用离群程度权重构造均值与协方差估计，比较适当权重下的污染渐近偏差，并通过模拟及数据集评估效率和检测表现。
- 材料陈述的贡献
- 摘要称，该估计具有高崩溃点和根号样本量阶一致性；适当权重在所列分布及污染模拟中表现出较高效率。
- 阅读关注点
- 应核对权重函数的条件、投影离群度如何计算、污染偏差与效率的比较基准，以及实际投影近似对异常检测的影响。
- 阅读边界
- 材料为 OpenAlex 索引摘要，稿件版本未注明；摘要中的优势依赖适当权重和特定污染设定，未说明计算近似或一般污染下的表现。
原文摘要
The Stahel-Donoho estimators (t, V) of multivariate location and scatter are defined as a weighted mean and a weighted covariance matrix with weights of the form w(r), where w is a weight function and r is a measure of “outlyingness,” obtained by considering all univariate projections of the data. It has a high breakdown point for all dimensions and order √n consistency. The asymptotic bias of V for point mass contamination for suitable weight functions is compared with that of Rousseeuw's minimum volume ellipsoid (MVE) estimator. A simulation shows that for a suitable w, t and V exhibit high efficiency for both normal and Cauchy distributions and are better than their competitors for normal data with point-mass contamination. The performances of the estimators for detecting outliers are compared for both a real and a synthetic data set.