Robust Model Selection and M -Estimation
稳健模型选择与 M 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 M 估计与模型选择准则的稳健性，未限定所列应用领域。
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
稳健模型选择与 M 估计
- 研究问题
- 以 M 估计目标函数构造的 Schwarz 信息准则如何具备模型选择意义下的定性稳健性，其渐近与有限样本表现如何？
- 方法与思路
- 作者定义适用于模型选择的定性稳健性，分析目标函数条件与一般 M 估计下的信息准则，并用蒙特卡洛比较不同目标函数。
- 材料陈述的贡献
- 摘要称，实现稳健模型选择的关键限制是目标函数一致有界，同时研究一般 M 估计下的准则渐近表现和有限样本行为。
- 阅读关注点
- 应核对污染与定性稳健性的定义、一致有界所针对的变量和模型集合，以及渐近表现的具体性质与模拟设计。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判定稳健性条件的完整逻辑地位或各目标函数的数值表现，也不能据此确认某一准则普遍更优。
原文摘要
This paper studies the qualitative robustness properties of the Schwarz information criterion (SIC) based on objective functions defining M -estimators. A definition of qualitative robustness appropriate for model selection is provided and it is shown that the crucial restriction needed to achieve robustness in model selection is the uniform boundedness of the objective function. In the process, the asymptotic performance of the SIC for general M -estimators is also studied. The paper concludes with a Monte Carlo study of the finite sample behavior of the SIC for different specifications of the sample objective function.