LEAST ABSOLUTE DEVIATIONS REGRESSION UNDER NONSTANDARD CONDITIONS
非标准条件下的最小绝对偏差回归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：摘要强调时间序列取向，并具体研究确定性与随机趋势及单位根模型，直接支持时间序列分类。
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
非标准条件下的最小绝对偏差回归
- 研究问题
- 当误差分布在零点的密度不再满足正且有限的常规要求时，最小绝对偏差估计量的收敛速度与极限分布会如何变化？
- 方法与思路
- 作者受样本分位数吸引域理论启发，放宽零点密度条件，研究含确定性趋势、随机趋势及简单单位根的多类回归模型。
- 材料陈述的贡献
- 摘要称，该方法通常能以较简洁的形式刻画 LAD 估计量的极限分布形状和收敛速度，且这些刻画常由单个参数 γ 描述。
- 阅读关注点
- 阅读全文时应核对零点附近分布的替代条件、γ 的定义、不同趋势模型的标准化方式，以及单位根情形的特殊结果。
- 阅读边界
- 仅据所给 Crossref 摘要，无法确定各模型的精确极限分布与收敛率；摘要未提供有限样本比较或适用条件的完整列表。
原文摘要
Most work on the asymptotic properties of least absolute deviations (LAD) estimators makes use of the assumption that the common distribution of the disturbances has a density that is both positive and finite at zero. We consider the implications of weakening this assumption in a number of regression settings, primarily with a time series orientation. These models include ones with deterministic and stochastic trends, and we pay particular attention to the case of a simple unit root model. The way in which the conventional assumption on the error distribution is modified is motivated in part by N.V. Smirnov's work on domains of attraction in the asymptotic theory of sample quantiles. The approach adopted usually allows for simple characterizations (often featuring a single parameter, γ), of both the shapes of the limiting distributions of the LAD estimators and their convergence rates. The present paper complements the closely related recent work of K. Knight.