Minimum Distance and Robust Estimation
最小距离与稳健估计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：摘要讨论通用稳健估计与最小距离方法，没有直接对应给定细分领域的研究对象。
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
最小距离与稳健估计
- 研究问题
- 如何稳健且一致地估计非对称分布的位置参数，以及一般非位置、非尺度参数，最小距离方法能提供什么路径？
- 方法与思路
- 作者提出以最小距离估计处理这些稳健性问题，并在对称分布位置参数的熟悉情形下给出渐近及蒙特卡洛证据。
- 材料陈述的贡献
- 摘要称，最小距离方法提供合理的研究路径且具有良好稳健性；对称位置估计的比较结果显示其具有竞争力。
- 阅读关注点
- 应核对距离准则、污染模型与稳健性指标，并区分非对称及一般参数问题的论述和对称位置情形的实际证据。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；一般参数问题的具体保证未说明，不能把对称位置结果直接推广或声称全面优越。
原文摘要
Robust and consistent estimation of the location parameter of an asymmetric distribution and general, nonlocation and scale parameter estimation problems have been vexing problems in the history of robustness studies. The minimum distance (MD) estimation method is shown to provide a heuristically reasonable mode of attack for these problems, which also leads to excellent robustness properties. Both asymptotic and Monte Carlo results for the familiar case of estimation of the location parameter of a symmetric distribution support this proposition, showing MD estimators to be competitive with some of the better estimators thus far proposed.