Robust estimation under heavy contamination using unnormalized models
利用非归一化模型进行重污染下的稳健估计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：摘要研究通用稳健估计和污染回归，未明确对应宏观预测、金融风险或其他所列细分。
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
利用非归一化模型进行重污染下的稳健估计
- 研究问题
- 数据含有大量异常值，且响应污染比例可能随协变量变化时，如何联合估计模型参数、污染比例和稳健回归函数？
- 方法与思路
- 作者将评分规则与非归一化统计模型结合，同时估计参数和污染比例，再依据估计比例检测异常值并扩展至回归。
- 材料陈述的贡献
- 摘要称方法可处理异质污染，估计稳健回归函数及期望污染比例，并以模拟展示所提出方法的有效性。
- 阅读关注点
- 应核对评分规则的选择、污染比例与模型参数的可识别性、异常值判定规则，以及异质污染下的适用条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；重污染的具体范围及理论保证未详述，评分规则不代表预测性能已获验证。
原文摘要
Contamination caused by outliers is inevitable in data analysis, and robust statistical methods are often needed. In this paper we develop a new approach for robust data analysis on the basis of scoring rules. A scoring rule is a discrepancy measure to assess the quality of probabilistic forecasts. We propose a simple method of estimating not only parameters in the statistical model but also the contamination ratio, i.e., the ratio of outliers. The outliers are detected based on the estimated contamination ratio. For this purpose, we use scoring rules with extended statistical models called unnormalized models. Regression problems are also considered. We study complex heterogeneous contamination wherein the contamination ratio in a response variable may depend on covariate variables, and propose a simple method to estimate a robust regression function and expected contamination ratio. Simulation studies demonstrate the effectiveness of our method.