Constructing Regressions with Controlled Features: A Method of Probing Regression Performance
构造具有可控特征的回归问题：考察回归性能的方法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：摘要讨论一般稳健回归的性能实验，没有足够证据对应所列经济计量细分方向。
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
构造具有可控特征的回归问题：考察回归性能的方法
- 研究问题
- 除长尾误差外，哪些数据结构影响稳健回归表现，如何分别控制这些因素以解释不同实验中的性能差异？
- 方法与思路
- 作者提出可分别控制数据结构因素的回归问题生成算法，将 Tukey 敏感性函数推广到多元回归，并考察 M 估计。
- 材料陈述的贡献
- 摘要称实验确认解释变量结构的重要性，并有助于解释若干既有研究中的异常结果，提供了可控的性能考察方法。
- 阅读关注点
- 核对被控制因素的具体定义、能否真正分别调整，以及 ROSEPACK 中 M 估计的设定与异常结果解释的适用范围。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；摘要未列出全部结构因素、实验配置和结果，不能据此认定某种稳健回归普遍更好。
原文摘要
Studies of robust regression algorithms have generally relied on Monte Carlo trials and have concentrated on evaluating the algorithm's performance for long-tailed error distributions. This article identifies other aspects of data structure that can influence the performance of robust regression procedures and presents an algorithm for constructing regression problems in which each of these factors can be controlled separately. The method generalizes to multiple regression the sensitivity function introduced by Tukey. We illustrate the method on M-estimate regressions computed by the publicly available package, ROSEPACK. This experiment confirms the importance of controlling the structure of the predictors and helps to account for anomalous results reported in several published studies.