Two Robust Alternatives to Least-Squares Regression
最小二乘回归的两种稳健替代方法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：摘要研究通用稳健回归与模拟比较，没有所列具体应用方向的充分证据。
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…
关注这篇论文的作者
最小二乘回归的两种稳健替代方法
- 研究问题
- 最小绝对残差估计与一步正弦估计，在不同设计矩阵和尺度污染的正态误差下，相较最小二乘如何表现？
- 方法与思路
- 作者开展 Monte Carlo 比较，研究正弦估计量的残差缩放方法，并在九种尺度污染正态分布下比较三种估计量。
- 材料陈述的贡献
- 摘要称，适当缩放残差可使正弦估计量在不同设计矩阵下保持近乎恒定的正态分布效率，并提供污染情形比较结果。
- 阅读关注点
- 应核对一步更新的初值、残差尺度与设计矩阵设置，并查看效率指标、污染配置及各估计量表现的差异。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；无法核实刊本内容。摘要未列出模拟数值或总体胜负，不能认定任一稳健方法普遍优于最小二乘。
原文摘要
We give Monte Carlo results on the performance of two robust alternatives to least-squares regression estimation—least-absolute residuals and the one-step sine estimator. We show how to scale the residuals for the sine estimator to achieve nearly constant efficiency for the normal distribution across various choices of the design matrix. We compare the two estimators to least squares for nine scale-contaminated normal distributions.