Bounded-Influence Regression via Local Minimax Mean Squared Error
通过局部极小极大均方误差构造有界影响回归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：摘要研究一般稳健回归与预测损失设计，未明确涉及宏观预测或金融收益预测。
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
通过局部极小极大均方误差构造有界影响回归
- 研究问题
- 随机线性回归受到一定比例污染时，如何在一般 M 估计类中选择估计量，使近似均方误差的最坏表现尽可能小？
- 方法与思路
- 作者用影响函数与方差变化函数近似均方误差主项，再对污染邻域中的最大近似误差进行最小化，并据此选择调节常数。
- 材料陈述的贡献
- 摘要称，该框架允许针对解释变量空间的特定区域设计预测估计量，并提供随污染比例及样本量选择调节常数的实用办法。
- 阅读关注点
- 应核对污染邻域和误差近似的定义、优化问题的求解条件，以及区域预测目标与调节常数选择对结果的具体影响。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；近似精度及最优性条件未说明，近似误差准则下的最优不能直接视为实际误差最优。
原文摘要
The class of “general” M-estimators for the stochastic linear regression model is considered, and influence and change-of-variance functions are used to approximate the main term of the mean squared error (MSE). The estimator is then found in the class that minimizes the maximum of that approximate MSE over the ϵ-contamination neighborhood. This approach allows for additional flexibility of designing estimators optimal for prediction in specific regions of the factor space, and it provides a practical way of choosing estimators' tuning constants as functions of a fraction of contamination and sample size.