Minimax bias-robust estimation of the dispersion matrix of a multivariate distribution
多元分布离散度矩阵的极小极大偏差稳健估计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：摘要研究椭圆分布散布矩阵的通用稳健估计，未涉及金融风险或其他所列领域的具体模型。
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
多元分布离散度矩阵的极小极大偏差稳健估计
- 研究问题
- 在位置已知的椭圆分布及其污染邻域中，如何定义离散度矩阵的偏差，并寻找最大偏差最小的M估计量？
- 方法与思路
- 作者为离散度矩阵定义适当的偏差度量，考察仿射等变M估计量在椭圆基准分布的污染邻域内的最大偏差。
- 材料陈述的贡献
- 摘要称Tyler估计量能够最小化所定义的最大偏差；这一贡献针对特定偏差准则和位置已知的研究设定。
- 阅读关注点
- 应核对离散度矩阵的尺度归一化、污染邻域定义、偏差度量，以及极小极大比较所覆盖的估计量类别。
- 阅读边界
- 仅据版本未注明的OpenAlex索引摘要；邻域与偏差公式未说明，结论不能直接推广到位置未知或一般协方差估计。
原文摘要
Maronna defines affine equivariant $M$-estimators for multivariate location and scatter. They are particularly suited for estimating the pseudo-covariance or scatter matrix of an elliptical population. By defining the bias of a dispersion matrix properly, we consider the maximum bias of an $M$-estimator over an $\varepsilon$ -neighborhood of the underlying elliptical distribution (location known). We find that Tyler’s estimator minimizes the maximum bias.