Asymptotically Min—Max Bias Robust M -Estimates of Scale for Positive Random Variables
正值随机变量尺度的渐近极小极大偏差稳健 M 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：摘要属于一般稳健尺度估计理论，未说明金融波动率或其他所列细分方向的应用。
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
正值随机变量尺度的渐近极小极大偏差稳健 M 估计
- 研究问题
- 正值随机变量的分布受到污染时，如何选择尺度 M 估计，使正负偏差损失下的最坏渐近偏差尽可能小？
- 方法与思路
- 作者在污染分布框架下优化尺度估计，所得估计为缩放后的次序统计量，其位置和缩放常数由污染比例、基准分布与损失决定。
- 材料陈述的贡献
- 摘要称若干计算中最优解的崩溃点接近二分之一，且可由缩放中位数近似；模拟支持部分有限样本均方误差表现。
- 阅读关注点
- 应核对污染类别、尺度参数定义和偏差损失的范围，并区分一般优化结论与特定算例中的崩溃点及中位数近似。
- 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。有限样本表现来自部分计算和模拟，不能认定普遍占优。
原文摘要
Asymptotically min—max bias robust M-estimates of scale are obtained for positive random variables with ε-contaminated distributions, using any one of a broad class of loss functions of positive and negative bias. Any such estimate is a scaled order statistic, with the order statistic and scaling constant determined by ε, the nominal distribution, and the loss function. Some calculations for specific cases show that for a large range of ε the min—max order statistic solution has a breakdown point near .5 and is well approximated by a scaled median. Some calculations and Monte Carlo results indicate that the asymptotic result has considerable finite sample-size relevance by virtue of the squared bias being at least as large as the variance for rather modest sample sizes (depending on ε) and by virtue of attractive mean squared error performance in the presence of even rather small fractions of contamination.