Robust subsampling
稳健子抽样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：摘要研究通用重抽样稳健性及回归M估计量，未提供所列领域细分的直接依据。
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…
稳健子抽样
- 研究问题
- 即使原统计量具有稳健性，子抽样分位数及数据驱动块长度选择是否仍可能对污染脆弱，如何改进其稳健性？
- 方法与思路
- 作者推导子抽样分位数的崩溃点，分析块长度校准的脆弱性，并构造针对M估计量的一致稳健子抽样程序。
- 材料陈述的贡献
- 摘要给出线性回归MM估计量的显式崩溃点刻画，并称在两个自助法失效的模拟环境中，稳健子抽样改善准确性与稳健性。
- 阅读关注点
- 应核对污染模型、崩溃点定义和块长度规则，以及稳健程序的一致性条件，并检查两个模拟环境与实际问题的对应关系。
- 阅读边界
- 仅据所给出版社摘要，无法确定稳健校准的具体实现和改进幅度；两个自助法失效场景不能代表所有重抽样应用。
原文摘要
We characterize the robustness of subsampling procedures by deriving a formula for the breakdown point of subsampling quantiles. This breakdown point can be very low for moderate subsampling block sizes, which implies the fragility of subsampling procedures, even when they are applied to robust statistics. This instability arises also for data driven block size selection procedures minimizing the minimum confidence interval volatility index, but can be mitigated if a more robust calibration method can be applied instead. To overcome these robustness problems, we introduce a consistent robust subsampling procedure for M-estimators and derive explicit subsampling quantile breakdown point characterizations for MM-estimators in the linear regression model. Monte Carlo simulations in two settings where the bootstrap fails show the accuracy and robustness of the robust subsampling relative to the subsampling.