Estimation of variance components with high breakdown point and high efficiency
兼具高崩溃点与高效率的方差分量估计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：摘要研究通用随机效应方差分量与实验室间比较，没有明确面板经济数据或其他所列应用。
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
兼具高崩溃点与高效率的方差分量估计
- 研究问题
- 在单因素随机效应模型中，能否通过非迭代估计同时获得对整组污染和单次测量污染的稳健性，并保持较高的方差分量估计效率？
- 方法与思路
- 作者研究三个非迭代稳健方差分量估计量，推导组块和测量崩溃点、效率及渐近正态分布，并用模拟和实验室间比较实例展示。
- 材料陈述的贡献
- 摘要称，组块崩溃点接近50%、测量崩溃点至少25%；其中两个估计量渐近效率超过82%，特定情形可达96%，并有有限样本模拟支持。
- 阅读关注点
- 应核对两类污染及崩溃点的定义、效率计算的参考模型与基准，明确达到较高效率的条件，并检查有限样本和竞争方法比较。
- 阅读边界
- 仅据所给 OpenAlex 索引摘要，稿件版本未注明；所报崩溃点与效率依赖具体设定，摘要未说明全部条件，不能视为普遍性能保证。
原文摘要
For the one‐way random effects model three noniterative robust variance component estimators are investigated. For these estimators block breakdown points, measurement breakdown points and efficiency are derived. It is shown that the block breakdown points are approximating 50% and that the measurement breakdown points are not smaller than 25%. By deriving the asymptotic normal distribution of these estimators we show that two of the new estimators have an asymptotic efficiency greater than 82% and under certain circumstances up to 96%. Competing estimators have lower breakdown points and lower efficiencies. A simulation study shows that the high efficiency also appears for finite samples. The use of the estimators for interlaboratory tests is demonstrated in a practical example.