Bootrapping robust estimates of regression
稳健回归估计的自助法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：摘要研究稳健线性回归的重抽样推断，所述分位数用于抽样分布推断，未提供分布效应等所列方向的依据。
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…
稳健回归估计的自助法
- 研究问题
- 如何估计稳健回归估计量的抽样分布，使重复抽样计算较简单，同时减少异常观测对分布估计和置信区间的影响？
- 方法与思路
- 作者对包含辅助尺度估计的重加权表示进行 bootstrap；权重随残差绝对值递减，每次重抽样只需求解线性方程组。
- 材料陈述的贡献
- 摘要称方法具有渐近正确性及异常值抵抗能力，所得分位数估计的崩溃点高于通常 bootstrap，并给出数据与区间模拟。
- 阅读关注点
- 应核对尺度估计如何进入重加权表示、渐近正确性与崩溃点的条件，以及置信区间在不同污染机制下的覆盖表现。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要；摘要未给出覆盖率数值和完整适用条件，分位数指抽样分布分位数而非分位数效应。
原文摘要
We introduce a new computer-intensive method to estimate the distribution of robust regression estimates. The basic idea behind our method is to bootstrap a reweighted representation of the estimates. To obtain a bootstrap method that is asymptotically correct, we include the auxiliary scale estimate in our reweighted representation of the estimates. Our method is computationally simple because for each bootstrap sample we only have to solve a linear system of equations. The weights we use are decreasing functions of the absolute value of the residuals and hence outlying observations receive small weights. This results in a bootstrap method that is resistant to the presence of outliers in the data. The breakdown points of the quantile estimates derived with this method are higher than those obtained with the bootstrap. We illustrate our method on two datasets and we report the results of a Monte Carlo experiment on confidence intervals for the parameters of the linear model.