A class of robust and fully efficient regression estimators
一类稳健且具有完全渐近效率的回归估计量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：摘要聚焦通用稳健线性回归理论，未明确研究所列因果、面板、宏观或金融问题。
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
一类稳健且具有完全渐近效率的回归估计量
- 研究问题
- 在线性回归中，如何以初始稳健估计为基础提高效率，同时尽量保留其抗污染能力，并在正态误差下达到完全渐近效率？
- 方法与思路
- 作者根据初始稳健估计残差的经验分布自适应确定权重，构造加权最小二乘估计，并研究崩溃点、特殊污染情形的偏差与效率。
- 材料陈述的贡献
- 摘要称在所设条件下保留渐近崩溃点、有限样本崩溃点最多损失一个观测比例，并在正态误差下达到完全渐近效率。
- 阅读关注点
- 应核对自适应权重的构造、初始估计与设计条件，以及崩溃点、特殊情形最大偏差和有限样本模拟结论各自的适用范围。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；完整正则条件未提供，效率结论依赖正态误差，特殊污染计算不能代表所有污染机制。
原文摘要
This paper introduces a new class of robust estimators for the linear regression model. They are weighted least squares estimators, with weights adaptively computed using the empirical distribution of the residuals of an initial robust estimator. It is shown that under certain general conditions the asymptotic breakdown points of the proposed estimators are not less than that of the initial estimator, and the finite sample breakdown point can be at most $1/n$ less. For the special case of the least median of squares as initial estimator, hard rejection weights and normal errors and carriers, the maximum bias function of the proposed estimators for point-mass contaminations is numerically computed, with the result that there is almost no worsening of bias. Moreover–and this is the original contribution of this paper–if the errors are normally distributed and under fairly general conditions on the design the proposed estimators have full asymptotic efficiency. A Monte Carlo study shows that they have better behavior than the initial estimators for finite sample sizes.