Robust Regression: Asymptotics, Conjectures and Monte Carlo
稳健回归：渐近理论、猜想与 Monte Carlo 模拟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：维度随样本增长的稳健回归M型估计及展开/模拟属于一般方法。
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
稳健回归：渐近理论、猜想与 Monte Carlo 模拟
- 研究问题
- 当回归参数数量随样本量增加时，极大似然型稳健估计的渐近性质如何变化？摘要同时关注理论分析与 Monte Carlo 检查，重点是参数规模相对样本规模的增长对近似表现的影响。
- 方法与思路
- 摘要定义极大似然型的稳健回归估计，并从理论和模拟两方面考察渐近性质。分析允许参数数目 $p$ 随观测数 $n$ 增加，再用主要按 $p/n$ 展开的形式幂级数前几项与 Monte Carlo 结果比较。
- 材料陈述的贡献
- 摘要明确的新特点是允许参数数目随样本量增加，并报告形式展开与模拟结果吻合良好，多数情形甚至包括每个参数四个观测的设置。这一表现属于所考察情形，不能当作通用样本量准则。
- 阅读关注点
- 重点核对稳健估计如何定义、误差与设计矩阵有哪些条件，以及 $p$ 相对 $n$ 的增长受到什么限制；还应区分形式幂级数、已证明的渐近结果与猜想，并检查模拟覆盖的设计及吻合指标。 阅读前先备知识：建议先掌握极大似然、M 估计、影响函数与回归中的异常观测问题，再复习渐近展开、参数维度增长和 Monte Carlo 误差。理解固定维度与随样本增长维度的区别，有助于把握摘要强调的变化。
- 阅读边界
- 以下限制对应原请求所用摘要版本：基于原文摘要，未阅读全文。摘要未列出具体估计方程、维度增长速率或模拟设计；形式幂级数与模拟吻合本身不等于统一误差界，也不足以保证任意设计下的小样本推断可靠。 经AI辅助核对旧与当前摘要内容等价；未另读刊稿全文，不能据此证明整个稿件版本等价。
原文摘要
Maximum likelihood type robust estimates of regression are defined and their asymptotic properties are investigated both theoretically and empirically. Perhaps the most important new feature is that the number $p$ of parameters is allowed to increase with the number $n$ of observations. The initial terms of a formal power series expansion (essentially in powers of $p/n$) show an excellent agreement with Monte Carlo results, in most cases down to 4 observations per parameter.