Robust Estimation of Multivariate Location and Scatter in the Presence of Missing Data
缺失数据下多元位置与散布的稳健估计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：摘要讨论通用多元稳健统计与缺失数据处理，未明确涉及经济分布效应或其他所列细分方向。
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…
缺失数据下多元位置与散布的稳健估计
- 研究问题
- 多元数据同时存在异常值和缺失值时，如何扩展稳健位置与散布估计，避免简单删除所有不完整观测的低效率？
- 方法与思路
- 作者推广多元 S 估计量，采用类似 EM 的计算算法，并以适用于缺失数据的最小体积椭球方法提供初始化。
- 材料陈述的贡献
- 摘要称所提估计量在椭圆分布模型和完全随机缺失下强一致，另通过 Monte Carlo 模拟与实际数据考察其表现。
- 阅读关注点
- 核对推广后估计目标与稳健性指标、椭圆模型及完全随机缺失条件，并检查初始化、算法收敛和缺失比例对结果的影响。
- 阅读边界
- 材料为 OpenAlex 索引摘要，稿件版本未注明；抗污染能力的具体界限和模拟结果未提供，一致性不能直接推广至其他缺失机制。
原文摘要
Two main issues regarding data quality are data contamination (outliers) and data completion (missing data). These two problems have attracted much attention and research but surprisingly, they are seldom considered together. Popular robust methods such as S-estimators of multivariate location and scatter offer protection against outliers but cannot deal with missing data, except for the obviously inefficient approach of deleting all incomplete cases. We generalize the definition of S-estimators of multivariate location and scatter to simultaneously deal with missing data and outliers. We show that the proposed estimators are strongly consistent under elliptical models when data are missing completely at random. We derive an algorithm similar to the Expectation-Maximization algorithm for computing the proposed estimators. This algorithm is initialized by an extension for missing data of the minimum volume ellipsoid. We assess the performance of our proposal by Monte Carlo simulation and give some real data examples. This article has supplementary material online.