Maximum L q -Likelihood Estimation via the Expectation-Maximization Algorithm: A Robust Estimation of Mixture Models
通过 EM 算法实现最大 Lq 似然的混合模型稳健估计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：摘要涉及通用混合模型稳健估计，没有离散选择或其他所列领域细分的明确依据。
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…
关注这篇论文的作者
通过 EM 算法实现最大 Lq 似然的混合模型稳健估计
- 研究问题
- 在小样本混合模型中，如何降低异常值对估计的影响，并比较最大 Lq 似然与传统最大似然在污染情形下的表现？
- 方法与思路
- 作者提出使用 Lq 似然的 EM-Lq 算法，通过混合模型模拟研究估计性质，并以第三个高方差正态分布构造污染成分。
- 材料陈述的贡献
- 摘要称，在所研究的小样本污染设定中，最大 Lq 似然估计比传统 EM 最大似然更稳健，并给出 KL 距离和相对效率比较。
- 阅读关注点
- 应核对 q 的选择、EM-Lq 的更新与收敛性质、污染比例及方差设定，以及稳健性改善是否伴随无污染情形下的效率损失。
- 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。摘要主要报告模拟证据，未给出普遍稳健性保证、算法条件或比较数值。
原文摘要
We introduce a maximum Lq-likelihood estimation (MLqE) of mixture models using our proposed expectation-maximization (EM) algorithm, namely the EM algorithm with Lq-likelihood (EM-Lq). Properties of the MLqE obtained from the proposed EM-Lq are studied through simulated mixture model data. Compared with the maximum likelihood estimation (MLE), which is obtained from the EM algorithm, the MLqE provides a more robust estimation against outliers for small sample sizes. In particular, we study the performance of the MLqE in the context of the gross error model, where the true model of interest is a mixture of two normal distributions, and the contamination component is a third normal distribution with a large variance. A numerical comparison between the MLqE and the MLE for this gross error model is presented in terms of Kullback–Leibler (KL) distance and relative efficiency.