Robust and efficient estimation by minimising a density power divergence
通过最小化密度幂散度实现稳健高效估计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：摘要研究通用稳健参数估计，密度散度本身不足以归入分位数与分布效应方向。
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
通过最小化密度幂散度实现稳健高效估计
- 研究问题
- 如何在参数估计中平衡稳健性和效率，同时避免某些最小距离方法所需的非参数密度估计及带宽选择？
- 方法与思路
- 作者提出以单一参数控制的密度幂散度，通过最小化该散度估计参数；参数为零时对应最大似然估计。
- 材料陈述的贡献
- 摘要称该方法提供最大似然的稳健扩展，且接近零的调节参数可以带来较强稳健性，同时保留接近最大似然的效率。
- 阅读关注点
- 应核对散度定义、稳健性与效率的评价方式、调节参数选择，以及不同污染情形和模型下的理论与数值表现。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；未说明稳健性的具体指标、污染范围及参数选择规则，不能将接近最大似然的效率视为无条件保证。
原文摘要
A minimum divergence estimation method is developed for robust parameter estimation. The proposed approach uses new density-based divergences which, unlike existing methods of this type such as minimum Hellinger distance estimation, avoid the use of nonparametric density estimation and associated complications such as bandwidth selection. The proposed class of ‘density power divergences’ is indexed by a single parameter α which controls the trade-off between robustness and efficiency. The methodology affords a robust extension of maximum likelihood estimation for which α = 0. Choices of α near zero afford considerable robustness while retaining efficiency close to that of maximum likelihood.