Robust Regression Based on Infinitesimal Neighbourhoods
基于无穷小邻域的稳健回归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：摘要讨论通用稳健回归理论，没有明确的因果、面板、时间序列或金融应用依据。
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
基于无穷小邻域的稳健回归
- 研究问题
- 在解释变量随机的正态回归模型中，允许模型出现小幅偏离时，如何构造稳健估计，并界定已有方法的最优性范围？
- 方法与思路
- 作者在摘要所指的局部模型偏离框架下研究稳健估计，将若干已有回归估计方法纳入特例，并据此构造新的程序。
- 材料陈述的贡献
- 摘要称，该框架既包含已有稳健回归方法，也产生新程序；计算表明，相关估计的最优性范围比部分既有论述更有限。
- 阅读关注点
- 阅读时应核对无穷小邻域的定义、随机解释变量的条件、优化准则，以及作者据何种计算限制已有方法的最优性主张。
- 阅读边界
- 所给材料为版本未注明的 OpenAlex 索引摘要；未说明邻域、损失和最优性条件，不能据此认定某种估计普遍更优。
原文摘要
We study robust estimation in the general normal regression model with random carriers permitting small departures from the model. The framework is that of Bickel (1981). We obtain solutions of Huber (1982), Krasker-Hampel (1980) and Krasker-Welsch (1982) as special cases as well as some new procedures. Our calculations indicate that the optimality properties of these estimates are more limited than suggested by Krasker and Welsch.