High Breakdown-Point and High Efficiency Robust Estimates for Regression
兼具高崩溃点与高效率的稳健回归估计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：摘要研究通用线性回归的稳健估计与污染偏差，未明确关联因果、面板或金融等所列领域细分。
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
兼具高崩溃点与高效率的稳健回归估计
- 研究问题
- 线性回归估计能否同时保持较高抗污染能力与正态误差下的高效率，并具备可证明的渐近性质和可实施的计算算法？
- 方法与思路
- 作者提出三阶段MM估计：先求高崩溃点初始回归估计，再估计残差尺度，最后用适当的再下降型得分函数进行M估计。
- 材料陈述的贡献
- 摘要称MM估计兼具0.5崩溃点与正态误差下高效率，并证明随机解释变量下的一致性和渐近正态性，给出收敛迭代算法。
- 阅读关注点
- 应核对初始估计与得分函数的条件、崩溃点定义、效率的调节方式，以及污染偏差比较和算法收敛结论的适用范围。
- 阅读边界
- 材料为OpenAlex索引摘要，稿件版本未注明；未给出完整假设或效率数值，不能把所述性质无条件推广到任意污染与回归设计。
原文摘要
A class of robust estimates for the linear model is introduced. These estimates, called MM-estimates, have simultaneously the following properties: (i) they are highly efficient when the errors have a normal distribution and (ii) their breakdown-point is 0.5. The MM-estimates are defined by a three-stage procedure. In the first stage an initial regression estimate is computed which is consistent robust and with high breakdown-point but not necessarily efficient. In the second stage an M-estimate of the errors scale is computed using residuals based on the initial estimate. Finally, in the third stage an M-estimate of the regression parameters based on a proper redescending psi-function is computed. Consistency and asymptotical normality of the MM-estimates assuming random carriers are proved. A convergent iterative numerical algorithm is given. Finally, the asymptotic biases under contamination of optimal bounded influence estimates and MM-estimates are compared.