A Shortcut to LAD Estimator Asymptotics
最小绝对偏差估计量渐近分析的简捷方法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：摘要明确包含无限方差误差下的自回归模型研究，同时涵盖一般 LAD 回归理论。
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
最小绝对偏差估计量渐近分析的简捷方法
- 研究问题
- 如何用广义函数与广义 Taylor 展开推导 LAD 估计量的渐近理论，并处理固定、随机解释变量和无限方差误差？
- 方法与思路
- 作者使用随机变量的广义函数与广义 Taylor 展开，通过极限中的平滑作用说明其合法性，并研究回归和自回归情形。
- 材料陈述的贡献
- 摘要称，该路径提供 LAD 渐近理论的简捷推导，并得到一些新的解析结果，其中包括估计量分布的渐近展开。
- 阅读关注点
- 应核对广义函数转为实值线性泛函的论证、不同解释变量设定的条件，以及无限方差自回归下的归一化与展开。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断广义展开的正则条件、适用误差分布或近似精度，不能将简捷推导等同于性能优势。
原文摘要
Using generalized functions of random variables and generalized Taylor series expansions, we provide quick demonstrations of the asymptotic theory for the LAD estimator in a regression model setting. The approach is justified by the smoothing that is delivered in the limit by the asymptotics, whereby the generalized functions are forced to appear as linear functionals wherein they become real valued. Models with fixed and random regressors, and autoregressions with infinite variance errors are studied. Some new analytic results are obtained including an asymptotic expansion of the distribution of the LAD estimator.