A general Bahadur representation of M-estimators and its application to linear regression with nonstochastic designs
M 估计量的一般 Bahadur 表示及其在非随机设计线性回归中的应用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：摘要明确将理论应用于回归分位数，提供了分位数方法的直接分类依据。
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…
关注这篇论文的作者
M 估计量的一般 Bahadur 表示及其在非随机设计线性回归中的应用
- 研究问题
- 对于独立但不必同分布的数据，如何建立一般 M 估计量的强 Bahadur 表示，并控制固定设计回归中一阶近似的误差？
- 方法与思路
- 作者研究满足特定估计方程条件的 M 估计量，将结果应用于最小距离估计、有限影响 GM 估计与回归分位数。
- 材料陈述的贡献
- 摘要称在适当设计条件下可获得尖锐的一阶近似误差速率，并提供更易验证但速率较弱、仍足以推导渐近分布的条件。
- 阅读关注点
- 核对估计方程、归一化与强表示的余项定义，比较尖锐速率和较弱速率所需设计条件，并检查回归分位数的适用范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体设计条件与速率未列出，公式符号需结合原 PDF 核对，不能据此补写渐近展开。
原文摘要
We obtain strong Bahadur representations for a general class of M-estimators that satisfies $\Sigma_i \psi (x_i, \theta) = o(\delta_n)$, where the $x_i$'s are independent but not necessarily identically distributed random variables. The results apply readily to M-estimators of regression with nonstochastic designs. More specifically, we consider the minimum $L_p$ distance estimators, bounded influence GM-estimators and regression quantiles. Under appropriate design conditions, the error ratesobtained for the first-order approximations are sharp in these cases. We also provide weaker and more easily verifiable conditions that suffice for an error rate that is suboptimal but strong enough for deriving the asymptotic distribution of M-estimators in a wide variety of problems.