Robust Estimation in the Normal Mixture Model Based on Robust Clustering
基于稳健聚类的正态混合模型稳健估计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：正态混合模型与稳健聚类在此属于通用统计方法，摘要未明确关联所列经济领域。
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…
基于稳健聚类的正态混合模型稳健估计
- 研究问题
- 正态混合模型中，如何通过代表性修剪样本抵御异常值，并在后续似然估计中避免奇异性、保证估计量存在？
- 方法与思路
- 作者以修剪k均值形成初始聚类，将被修剪数据作为删失处理，再迭代使用最大似然更新修剪区域的位置与形状，并约束参数。
- 材料陈述的贡献
- 摘要称要求每个混合分布在初始聚类区域充分代表的数据驱动约束，可避免奇异性并保证估计量存在，同时分析稳健性与渐近性质。
- 阅读关注点
- 应核对适用的聚类配置、修剪比例及参数约束，区分存在性与算法收敛，并检查稳健性指标、渐近条件和示例中的表现。
- 阅读边界
- 仅据Crossref摘要；具体约束、稳健性界和渐近结果未展开，不能推断对任意污染、重叠簇或初始聚类均有同样保证。
原文摘要
Summary We introduce a robust estimation procedure that is based on the choice of a representative trimmed subsample through an initial robust clustering procedure, and subsequent improvements based on maximum likelihood. To obtain the initial trimming we resort to the trimmed k-means, a simple procedure designed for finding the core of the clusters under appropriate configurations. By handling the trimmed data as censored, maximum likelihood estimation provides in each step the location and shape of the next trimming. Data-driven restrictions on the parameters, requiring that every distribution in the mixture must be sufficiently represented in the initial clustered region, allow singularities to be avoided and guarantee the existence of the estimator. Our analysis includes robustness properties and asymptotic results as well as worked examples.