Asymptotics for $M$-Estimators Defined by Convex Minimization
由凸最小化定义的 M 估计量的渐近理论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：摘要研究一般凸 M 估计理论，提及最小绝对偏差不足以确定其属于分位数或其他给定方向。
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…
关注这篇论文的作者
由凸最小化定义的 M 估计量的渐近理论
- 研究问题
- 当 M 估计量由不必光滑的凸准则最小化定义时，如何建立其强近似，并刻画估计量收敛速度的界？
- 方法与思路
- 作者以凸准则最小化定义的 M 估计量为对象，发展渐近分析，建立 Bahadur 型强近似并给出收敛速度界。
- 材料陈述的贡献
- 摘要称，这些渐近结果推广了部分最小绝对偏差估计的已有结论，具体贡献包括强近似和收敛速度的界。
- 阅读关注点
- 应核对凸性之外的识别与随机条件、强近似的表达和余项控制，以及非光滑准则下收敛界适用的估计量范围。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。摘要未给出条件、近似式或具体收敛阶，不能自行补出渐近分布。
原文摘要
We consider $M$-estimators defined by minimization of a convex criterion function, not necessarily smooth. Our asymptotic results generalize some of those concerning the LAD estimators. We establish a Bahadur-type strong approximation and bounds on the rate of convergence.