Efficient Bounded-Influence Regression Estimation
高效的有界影响回归估计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：摘要涉及通用稳健线性回归理论，未明确因果、面板、结构估计或金融等细分应用。
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
高效的有界影响回归估计
- 研究问题
- 在线性回归存在厚尾误差或异常数据时，如何限制少量观测对估计的影响，并在该约束下保持较高效率？
- 方法与思路
- 作者提出限制任意小规模数据子集影响的回归估计量，研究约束下的效率条件、渐近正态性及计算算法。
- 材料陈述的贡献
- 摘要称，该估计量满足约束下强效率的一阶条件并具有渐近正态性，还给出算法概要及与最小二乘、Huber 回归的例子比较。
- 阅读关注点
- 核对影响约束和强效率的定义、一阶条件是否充分，以及渐近结论所需条件、算法收敛与例子中的比较标准。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体约束和正则条件未说明，一阶条件及例子比较不能证明全面最优。
原文摘要
The least squares estimator for β in the classical linear regression model is strongly efficient under certain conditions. However, in the presence of heavy-tailed errors and/or anomalous data, the least squares efficiency can be markedly reduced. In this article we propose an estimator that limits the influence of any small subset of the data and show that it satisfies a first-order condition for strong efficiency subject to the constraint. We then show that the estimator is asymptotically normal. The article concludes with an outline of an algorithm for computing a bounded-influence regression estimator and with an example comparing least squares, robust regression as developed by Huber, and the estimator proposed in this article.