Minimum Distance Estimation in a Linear Regression Model
线性回归模型中的最小距离估计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：摘要涉及通用线性回归的最小距离估计与检验，没有分位数、分布效应或其他所列领域的直接证据。
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…
线性回归模型中的最小距离估计
- 研究问题
- 如何通过残差经验分布的距离估计线性回归斜率，在给定误差分布下选择有效权重，并形成相应的拟合优度检验？
- 方法与思路
- 作者最小化加权残差经验量与其期望之间平方差的积分，以一类积分测度定义 Cramér–von Mises 型估计及检验。
- 材料陈述的贡献
- 摘要称与设计变量成比例的权重在给定误差分布下实现该估计类别内的渐近有效性，并讨论检验统计量的渐近零分布。
- 阅读关注点
- 应核对设计变量与误差分布的条件、权重和积分测度的作用，以及类别内效率比较和检验零分布的具体形式。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；效率限定于所研究类别和给定误差分布，不能推为普遍最优，条件与刊本变化未说明。
原文摘要
This paper discusses a class of minimum distance Cramer-Von Mises type estimators of the slope parameter in a linear regression model. These estimators are obtained by minimizing an integral of squared difference between weighted empiricals of the residuals and their expectations with respect to a large class of integrating measures. The estimator corresponding to the weights proportional to the design variable is shown to be asymptotically efficient within the class at a given error distribution. The paper also discusses the asymptotic null distribution of a class of minimum Cramer-Von Mises type goodness-of-fit test statistics.