Small Sample Asymptotic Expansions for Multivariate $M$-Estimates
多元 M 估计的小样本渐近展开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：摘要讨论一般多元稳健估计与密度近似，未提供归入所列经济计量细分方向的直接依据。
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…
关注这篇论文的作者
多元 M 估计的小样本渐近展开
- 研究问题
- 研究如何近似多元 M 估计量的概率密度，尤其关注样本较小时尾部概率的刻画，以及稳健位置与尺度估计中的表现。
- 方法与思路
- 作者使用鞍点技术构造多元 M 估计量密度的渐近展开，并以稳健位置和尺度估计的数值结果对照已有蒙特卡洛结果。
- 材料陈述的贡献
- 摘要称该展开在小样本尾部具有较好的近似精度，并提供稳健估计的数值比较；未给出具体误差大小或统一精度保证。
- 阅读关注点
- 应核对展开所需的光滑性与分布条件、尾部近似的有效范围，以及数值比较所用样本量、估计方程和误差评价标准。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；无法判断小样本精度的适用边界，也不能推断其他版本的定理或数值变化。
原文摘要
Asymptotic expansions are derived for the densities of multivariate $M$-estimates. The expansion is based on a saddlepoint technique and yields good accuracy in the tails for small sample sizes. Numerical results are given for robust estimation of location and scale and these are compared with known Monte Carlo results.