Bounded-Influence Robust Estimation in Generalized Linear Latent Variable Models
广义线性潜变量模型的有界影响稳健估计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：摘要属于潜变量模型的通用稳健估计，间接推断及消费调查应用均不足以确认结构估计方向。
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…
广义线性潜变量模型的有界影响稳健估计
- 研究问题
- 对类别、连续及混合响应的广义线性潜变量模型，数据污染等模型偏离如何影响极大似然估计，又如何构造稳健替代方法？
- 方法与思路
- 作者通过影响函数与模拟分析极大似然估计的敏感性，并提出利用间接推断原理实现一致性、且便于数值实施的稳健估计量。
- 材料陈述的贡献
- 摘要称污染会严重影响极大似然估计，所提稳健估计在研究比较中的偏差和方差表现更好，并用消费调查展示估计选择的后果。
- 阅读关注点
- 应核对有界影响如何实现、间接推断校正针对何种模型保持一致，以及偏差和方差比较采用的污染机制与调节参数。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未给出污染范围和比较数值，不能据此认定稳健方法普遍优于极大似然。
原文摘要
Latent variable models are used for analyzing multivariate data. Recently, generalized linear latent variable models for categorical, metric, and mixed-type responses estimated via maximum likelihood (ML) have been proposed. Model deviations, such as data contamination, are shown analytically, using the influence function and through a simulation study, to seriously affect ML estimation. This article proposes a robust estimator that is made consistent using the basic principle of indirect inference and can be easily numerically implemented. The performance of the robust estimator is significantly better than that of the ML estimators in terms of both bias and variance. A real example from a consumption survey is used to highlight the consequences in practice of the choice of the estimator.