Iteratively Reweighted Least Squares for Maximum Likelihood Estimation, and Some Robust and Resistant Alternatives
用于极大似然估计及稳健替代准则的迭代重加权最小二乘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：摘要提供通用统计估计算法框架，虽提到相关观测但未明确时间序列、面板或结构模型，故不据估计术语强行分类。
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
用于极大似然估计及稳健替代准则的迭代重加权最小二乘
- 研究问题
- 迭代重加权最小二乘能否用于广义线性模型以外的分布、非线性参数化和相关观测，并支持极大似然之外的估计准则？
- 方法与思路
- 作者讨论以反复更新权重并求解最小二乘问题实现统计估计，将适用范围扩展至其他分布、参数化形式及抗异常值准则。
- 材料陈述的贡献
- 摘要称该方法的适用范围比通常认识更广，并认为相关算法通常数值稳定、易于编程实现，适合交互式计算。
- 阅读关注点
- 读全文应核对不同目标函数对应的权重与更新规则、相关观测的处理方法，以及数值稳定、收敛和稳健性的适用条件。
- 阅读边界
- 所给 Crossref 摘要未说明具体算法、收敛条件或性能比较，通常稳定的表述不能理解为对所有模型和初值均有保证。
原文摘要
SUMMARY The scope of application of iteratively reweighted least squares to statistical estimation problems is considerably wider than is generally appreciated. It extends beyond the exponential-family-type generalized linear models to other distributions, to non-linear parameterizations, and to dependent observations. Various criteria for estimation other than maximum likelihood, including resistant alternatives, may be used. The algorithms are generally numerically stable, easily programmed without the aid of packages, and highly suited to interactive computation.