Trimming and likelihood: Robust location and dispersion estimation in the elliptical model
修剪与似然：椭圆模型中的稳健位置及离散程度估计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：摘要研究通用椭圆模型的稳健估计，未明确收益、波动率或经济分布效应。
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…
修剪与似然：椭圆模型中的稳健位置及离散程度估计
- 研究问题
- 在椭圆分布模型中，能否利用初始稳健估计筛选子样本，再通过似然更新改善位置与离散程度估计，同时保留稳健性？
- 方法与思路
- 作者按 Mahalanobis 距离修剪观测，并对保留样本计算一步或多步极大似然估计，分别考虑截断、删失和仅异常值粗差模型。
- 材料陈述的贡献
- 摘要称，文章给出存在性、唯一性、稳健性及渐近性质；所提估计通常保留初始估计的崩溃点，并可能改善收敛速度。
- 阅读关注点
- 应核对被删除观测对应的不同似然、初始估计与修剪规则的要求，以及保留崩溃点和改善收敛速度各自依赖的条件。
- 阅读边界
- 材料为版本未注明的 OpenAlex 索引摘要。收敛率记号上下标不清，须查原PDF；摘要未列理论条件，不能将稳健性保证无条件推广。
原文摘要
Robust estimators of location and dispersion are often used in the elliptical model to obtain an uncontaminated and highly representative subsample by trimming the data outside an ellipsoid based in the associated Mahalanobis distance. Here we analyze some one (or k)-step Maximum Likelihood Estimators computed on a subsample obtained with such a procedure. We introduce different models which arise naturally from the ways in which the discarded data can be treated, leading to truncated or censored likelihoods, as well as to a likelihood based on an only outliers gross errors model. Results on existence, uniqueness, robustness and asymptotic properties of the proposed estimators are included. A remarkable fact is that the proposed estimators generally keep the breakdown point of the initial (robust) estimators, but they could improve the rate of convergence of the initial estimator because our estimators always converge at rate n1/2, independently of the rate of convergence of the initial estimator.