A model where the least trimmed squares estimator is maximum likelihood
最小截尾平方估计量成为最大似然估计量的一种模型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：摘要属于一般稳健回归与污染模型理论，未明确涉及所列领域细分的特定结构。
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…
最小截尾平方估计量成为最大似然估计量的一种模型
- 研究问题
- 能否构造一种污染模型，使从样本中选择良好观测并做最小二乘的最小截尾平方估计，获得明确的最大似然解释？
- 方法与思路
- 作者设定异常观测来自良好正态观测已实现范围之外的分布，并在该模型下研究截尾估计及良好观测数量的估计。
- 材料陈述的贡献
- 摘要称，该模型使最小截尾平方估计成为最大似然估计，并在位置—尺度情形给出渐近性质，讨论良好观测数的一致估计。
- 阅读关注点
- 应核对依赖良好样本已实现范围的污染机制如何定义、最大似然等价的条件，以及位置—尺度结论与一般回归的边界。
- 阅读边界
- 仅依据 Crossref 摘要；收敛率符号展示需查阅原PDF确认，且摘要未说明一般回归条件或污染检验的完整结果。
原文摘要
Abstract The least trimmed squares (LTS) estimator is a popular robust regression estimator. It finds a subsample of h ‘good’ observations among n observations and applies least squares on that subsample. We formulate a model in which this estimator is maximum likelihood. The model has ‘outliers’ of a new type, where the outlying observations are drawn from a distribution with values outside the realized range of h ‘good’, normal observations. The LTS estimator is found to be h1/2 consistent and asymptotically standard normal in the location-scale case. Consistent estimation of h is discussed. The model differs from the commonly used ϵ-contamination models and opens the door for statistical discussion on contamination schemes, new methodological developments on tests for contamination as well as inferences based on the estimated good data.