Robust and Efficient Adaptive Estimation of Binary-Choice Regression Models
二元选择回归模型的稳健高效自适应估计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：摘要直接讨论probit、logit等二元选择回归的识别与稳健估计。
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…
关注这篇论文的作者
二元选择回归模型的稳健高效自适应估计
- 研究问题
- 二元选择模型的最大似然估计对模型偏离敏感，而常规修剪又可能破坏识别时，如何兼顾稳健性与无污染情形下的效率？
- 方法与思路
- 作者采用最大对称修剪似然估计，并设计无需预设参数的自适应修剪比例选择程序，分析识别、稳健性与渐近分布。
- 材料陈述的贡献
- 摘要称自适应方法保留原估计量的稳健性质、改善有限样本表现，并在无污染时与最大似然估计渐近等价，附有模拟和应用。
- 阅读关注点
- 应核对对称修剪如何避免非识别、自适应比例如何确定，以及稳健性和渐近等价各自所需的模型条件与污染设定。
- 阅读边界
- 仅据版本未注明的索引摘要，不能推断刊本变化；摘要未说明污染范围及异方差处理条件，有限样本改善不能推广到所有情形。
原文摘要
The binary-choice regression models, such as probit and logit, are used to describe the effect of explanatory variables on a binary response variable. Typically estimated by the maximum likelihood method, estimates are very sensitive to deviations from a model, such as heteroscedasticity and data contamination. At the same time, the traditional robust (high-breakdown point) methods, such as the maximum trimmed likelihood, are not applicable because, by trimming observations, they induce nonidentification of parameter estimates. To provide a robust estimation method for binary-choice regression, we consider a maximum symmetrically trimmed likelihood estimator (MSTLE) and design a parameter-free adaptive procedure for choosing the amount of trimming. The proposed adaptive MSTLE preserves the robust properties of the original MSTLE, significantly improves the finite-sample behavior of MSTLE, and also ensures the asymptotic equivalence of the MSTLE and maximum likelihood estimator under no contamination. The results concerning the trimming identification, robust properties, and asymptotic distribution of the proposed method are accompanied by simulation experiments and an application documenting the finite-sample behavior of some existing and the proposed methods.