Robust Estimation for Grouped Data
分组数据的稳健估计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：摘要讨论统计意义上的分组数据与稳健估计，没有面板分组、网络群体或经济分布效应的具体设定。
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…
分组数据的稳健估计
- 研究问题
- 当分组数据的实际生成机制偏离假定模型时，最小幂散度估计会产生多大偏差，如何构造更稳定的替代程序？
- 方法与思路
- 作者分析包含极大似然估计的最小幂散度估计类，扩展该类并借鉴 Hampel 定理定义最优有界影响函数估计。
- 材料陈述的贡献
- 摘要称原有估计在模型偏离下可能出现较大偏差；所提出估计在小幅模型污染的模拟中比经典分组数据估计更稳定。
- 阅读关注点
- 应核对分组机制与污染模型、最优性的约束和评价准则，以及影响函数有界与实际偏差和效率之间的关系。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；稳定性比较针对所述小幅污染模拟，不能推出任意污染程度下的优势。
原文摘要
Here we investigate the robustness properties of the class of minimum power divergence estimators for grouped data. This class contains the classical maximum likelihood estimators for grouped data. We find that the bias of these estimators due to deviations from the assumed underlying model can be large. Therefore, we propose a more general class of estimators that allows us to construct robust procedures. By analogy with Hampel's theorem, we define optimal bounded influence function estimators, and by a simulation study, we show that under small model contaminations, these estimators are more stable than the classical estimators for grouped data. Finally, we apply our results to a particular real example.