High-Breakdown Rank Regression
高崩溃点秩回归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：摘要讨论通用稳健回归、崩溃点与秩推断，未提供对应目录中具体应用方向的证据。
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…
高崩溃点秩回归
- 研究问题
- 如何构造既能抵抗高杠杆异常观测群、又保留估计稳定性与可用推断程序的秩回归估计量，并比较其稳健性和效率？
- 方法与思路
- 作者提出加权秩估计，同时对解释变量空间与响应空间进行权重修正，并据渐近理论构建置信区间、检验及残差诊断。
- 材料陈述的贡献
- 摘要称估计量具有50%崩溃点、根号n速率渐近正态性及连续有界影响函数；模拟中效率高于仅修正解释变量空间的广义秩估计。
- 阅读关注点
- 应核对权重构造、崩溃点与渐近正态性的成立条件，以及异常群和内部观测的模拟设置；另查常权重下与Wilcoxon秩估计的关系。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明，不能推断刊本变化；摘要未说明理论条件与模拟参数，不能将效率比较推广到所有污染情形。
原文摘要
A weighted rank estimate is proposed that has 50% breakdown and is asymptotically normal at rate √n. Based on this theory, inferential procedures, including asymptotic confidence and tests, and diagnostic procedures, such as studentized residuals, are developed. The influence function of the estimate is derived and shown to be continuous and bounded everywhere in (x, Y) space. Examples show that robustness against outlying high-leverage clusters may approach that of the least median of squares, while retaining more stability against inliers. The estimator uses weights that correct for both factor and response spaces. A Monte Carlo study shows that the estimate is more efficient than the generalized rank estimates, which are generalized R estimates with weights that only correct for factor space. When weights are constant, the estimate reduces to the regular Wilcoxon rank estimate.