Generalized S-Estimators
广义 S 估计量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：摘要研究通用稳健回归估计，未明确涉及给定领域细分中的特定数据结构或经济问题。
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…
广义 S 估计量
- 研究问题
- 如何设计具有正崩溃点的稳健回归估计量，在提高传统 S 估计效率的同时，评估最坏情形偏差的代价？
- 方法与思路
- 作者通过最小化残差尺度的广义 M 估计定义 GS 估计量，分析崩溃点、最大偏差曲线和影响函数，并提供计算算法。
- 材料陈述的贡献
- 摘要称 GS 估计量较传统 S 估计具有更高效率，但最坏情形偏差略增；作者还通过真实数据和模拟展示其应用。
- 阅读关注点
- 应核对效率与偏差比较采用的分布和污染设定、尺度目标函数的限制，以及算法是否可靠求解所定义的估计问题。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，不能推断刊本变化；摘要未给出效率增益、偏差增幅及其具体条件，不能认定全面优于 S 估计。
原文摘要
In this article we introduce a new type of positive-breakdown regression method, called a generalized S-estimator (or GS-estimator), based on the minimization of a generalized M-estimator of residual scale. We compare the class of GS-estimators with the usual S-estimators, including least median of squares. It turns out that GS-estimators attain a much higher efficiency than S-estimators, at the cost of a slightly increased worst-case bias. We investigate the breakdown point, the maxbias curve, and the influence function of GS-estimators. We also give an algorithm for computing GS-estimators and apply it to real and simulated data.