Minimum Hellinger Distance Estimation for the Analysis of Count Data
计数数据分析中的最小 Hellinger 距离估计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：摘要讨论一般计数模型的稳健估计与渐近理论，没有充分证据对应所列经济计量细分方向。
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
计数数据分析中的最小 Hellinger 距离估计
- 研究问题
- 对于容易出现异常计数的离散数据，最小 Hellinger 距离估计能否兼顾抗异常值能力，以及模型正确时的渐近效率？
- 方法与思路
- 作者研究可数支持离散模型中的最小 Hellinger 距离估计，推导渐近正态性，比较击穿性质与异常值筛查，并用致突变数据说明。
- 材料陈述的贡献
- 摘要称，模型正确时该估计与最大似然渐近等价，将相关结果扩展至可数支持；在模型处的渐近击穿点为二分之一。
- 阅读关注点
- 核对渐近正态性所需模型条件、可数支持下的尾部控制，以及击穿点的污染定义，区分模型处渐近性质与实际异常值处理。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，刊本差异未核验；具体正则条件未说明，渐近击穿点不能直接保证有限样本中的抗污染效果。
原文摘要
Minimum Hellinger distance (MHD) estimation is studied in the context of discrete data. The MHD estimator is shown to provide an effective treatment of anomalous data points, and its properties are illustrated using short-term mutagenicity test data. Asymptotic normality for a discrete distribution with countable support is derived under a readily verified condition on the model. Breakdown properties of the MHD estimator and an outlier screen are compared. Count data occur frequently in statistical applications. For instance, in chemical mutagenicity studies, which comprise an important step in the identification of environmental carcinogens, much of the resultant data are counts. Woodruff, Mason, Valencia, and Zimmering (1984) reported anomalous counts in the sex-linked recessive lethal test in drosophila. These outliers can have a substantial impact on the experimental conclusions. MHD estimation provides a means for reliable inference when modeling count data that are prone to outliers. The MHD fit gives little weight to counts that are improbable relative to the model. On the other hand, the MHD estimator is asymptotically equivalent to the maximum likelihood estimator when the model is correct. This latter result, long known for a parametric multinomial model with finite support, is extended here to models with countable support. The breakdown point provides a quantification of outlier resistence. Roughly, it is the smallest proportion of outliers in the data that can cause an arbitrarily large shift in the estimate (Donoho and Huber 1983). Here the MHD estimator is shown to have an asymptotic breakdown point of ½ at the model.