Influence Diagnostics and Estimation Algorithms for Powell's SCLS
Powell 对称删失最小二乘估计的影响诊断与计算算法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：摘要聚焦删失回归估计的影响诊断与算法，未提供可明确对应所列微观、宏观或金融细分方向的应用证据。
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…
关注这篇论文的作者
Powell 对称删失最小二乘估计的影响诊断与计算算法
- 研究问题
- 对于 Powell 的对称删失最小二乘估计，如何识别单个观测对估计结果的影响，并在构造诊断量的同时降低估计过程的计算负担？
- 方法与思路
- 作者用一步近似构造与最小二乘删除诊断相对应的影响度量，通过 Newton 型算法计算这些度量，并考察同一算法用于估计的作用。
- 材料陈述的贡献
- 摘要称，所提影响度量可借助 Newton 型算法方便构造，该算法还能显著降低估计的计算负担；文章另以一个应用展示这些结果。
- 阅读关注点
- 阅读时应核对一步近似与实际删除观测后重新估计的差异、Newton 型算法的更新和停止规则，以及计算负担比较与应用中的诊断表现。
- 阅读边界
- 摘要未说明删失机制、算法收敛条件、计算节省幅度或应用数据；不能仅凭摘要判断近似诊断的准确度或算法在不同样本中的可靠性。
原文摘要
This article studies influence diagnostics and estimation algorithms for Powell's symmetrically censored least squares estimator. The proposed measures of influence are based on one-step approximations to the analogous deletion diagnostics used in least squares regression and can be conveniently constructed using a Newton-type algorithm. Additionally, it is found that this algorithm can be used to substantially reduce the computational burden of the estimator. The results of the article are illustrated with an application.