One-step R-estimation in linear models with stable errors
稳定分布误差线性模型中的一步秩估计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：摘要研究一般线性回归的稳健秩估计，未提供对应给定应用领域或分布效应研究的直接证据。
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…
稳定分布误差线性模型中的一步秩估计
- 研究问题
- 在线性模型误差具有不同尾指数和偏度的稳定分布时，如何获得根号样本量一致且计算较简便的系数估计？
- 方法与思路
- 作者提出一步秩估计方法，分析稳定误差下的渐近性质，并针对预先指定的尾指数和偏度构造有效估计量。
- 材料陈述的贡献
- 摘要称方法在整个稳定分布族下保持根号样本量一致，可在指定参数处达到参数效率界，并避免多维最优化。
- 阅读关注点
- 核对初始估计、秩得分及一步修正的构造，根号样本量一致性的条件，以及达到效率界所对应的误差分布。
- 阅读边界
- 仅依据所给出版社摘要；效率界结论针对指定参数值，摘要未说明设计条件、调节参数或模拟优势的具体幅度。
原文摘要
Classical estimation techniques for linear models either are inconsistent, or perform rather poorly, under α-stable error densities; most of them are not even rate-optimal. In this paper, we propose an original one-step R-estimation method and investigate its asymptotic performances under stable densities. Contrary to traditional least squares, the proposed R-estimators remain root-n consistent (the optimal rate) under the whole family of stable distributions, irrespective of their asymmetry and tail index. While parametric stable-likelihood estimation, due to the absence of a closed form for stable densities, is quite cumbersome, our method allows us to construct estimators reaching the parametric efficiency bounds associated with any prescribed values (α0,b0) of the tail index α and skewness parameter b, while preserving root-n consistency under any (α,b) as well as under usual light-tailed densities. The method furthermore avoids all forms of multidimensional argmin computation. Simulations confirm its excellent finite-sample performances.