A Class of Locally and Globally Robust Regression Estimates
一类局部与全局稳健的回归估计量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：摘要提供的是通用稳健回归理论与模拟，未明确涉及目录中的特定领域。
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…
一类局部与全局稳健的回归估计量
- 研究问题
- 如何在存在高杠杆观测及多种污染时，同时控制回归估计的崩溃点、局部敏感性、最大偏差与统计效率？
- 方法与思路
- 作者通过最小化加权残差的τ尺度定义广义τ估计，使用两种损失函数与杠杆惩罚权重，再以最小二乘重加权提升效率。
- 材料陈述的贡献
- 摘要称适当选择可兼顾多项稳健性质；中心模型下与相关GM估计具有相同影响函数和渐近分布，并报告最大偏差及模拟表现。
- 阅读关注点
- 应核对污染集合、最大偏差的定义、损失函数与权重的限制，以及重加权步骤如何影响稳健性；还需确认中心模型下等价结论的范围。
- 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；损失函数组合中的符号不清楚，需查原PDF，不能重构公式或认定普遍优越。
原文摘要
We present a new class of regression estimates called generalized τ estimates. These estimates are defined by minimizing the τ scale of the weighted residuals, with weights that penalize high-leverage observations. Like the τ estimates, the generalized τ estimates utilize for their definition two loss functions, ρ1 and ρ2, which together with the weights can be chosen to achieve simultaneously high breakdown point, finite gross error sensitivity, and high efficiency. We recommend, however, choosing these functions so as to control the bias behavior of the estimate for a large range of possible contaminations and then boosting the efficiency by a simple least squares reweighting step. The generalized τ estimate with loss functions ρ1 and ρ2 is related to the Hill–Ryan GM estimate with a loss function ρ, which is a linear combination of ρ1 and ρr. In fact, both estimates have the same influence function and asymptotic distribution under the central model. We show that a certain generalized τ estimate has good maximum bias behavior and performs well in an extensive Monte Carlo simulation study and three numerical examples.