Efficient Robust Regression via Two-Stage Generalized Empirical Likelihood
通过两阶段广义经验似然实现高效稳健回归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：摘要研究通用稳健线性回归与经验似然，没有所列领域细分的特定应用依据。
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…
通过两阶段广义经验似然实现高效稳健回归
- 研究问题
- 在线性回归中，如何兼顾小样本和大样本效率与异常值抵抗能力，并明确这种兼顾在何种误差分布下成立？
- 方法与思路
- 作者构造与广义经验似然紧密关联的回归估计量，通过约束加权残差平方和获得稳健性，并研究理论及有限样本表现。
- 材料陈述的贡献
- 摘要称，该估计达到可实现的最高有限样本替换崩溃点，并在正态误差下具有完全渐近效率；模拟显示较高小样本效率和可比抗异常能力。
- 阅读关注点
- 应核对两阶段构造、残差约束的选择、崩溃点结论的条件、正态误差下效率的参照，以及污染设计和小样本比较。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化。完全渐近效率限于所述正态误差情形，摘要未给出崩溃点数值或完整条件。
原文摘要
Large- and finite-sample efficiency and resistance to outliers are the key goals of robust statistics. Although often not simultaneously attainable, we develop and study a linear regression estimator that comes close. Efficiency obtains from the estimator's close connection to generalized empirical likelihood, and its favorable robustness properties are obtained by constraining the associated sum of (weighted) squared residuals. We prove maximum attainable finite-sample replacement breakdown point, and full asymptotic efficiency for normal errors. Simulation evidence shows that compared to existing robust regression estimators, the new estimator has relatively high efficiency for small sample sizes, and comparable outlier resistance. The estimator is further illustrated and compared to existing methods via application to a real data set with purported outliers.