Robust Inference for Generalized Linear Models
广义线性模型的稳健推断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：摘要讨论通用广义线性模型，二项模型的出现不足以归入经济离散选择。
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
广义线性模型的稳健推断
- 研究问题
- 广义线性模型受到污染观测影响时，如何构造可用于逐步模型选择的稳健检验，并考察其渐近检验水平的稳定性？
- 方法与思路
- 作者从基于准似然的稳健估计量出发定义稳健偏差量，推导相关检验的渐近分布，并详细研究二项与泊松模型。
- 材料陈述的贡献
- 摘要称，建立稳健偏差检验及污染下的水平分析；两项真实数据应用和敏感性分析显示所提推断比经典方法更可靠。
- 阅读关注点
- 应核对稳健估计与偏差量的定义、污染模型、检验水平稳定性的度量，以及逐步选择后的推断是否另有处理。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；应用中的可靠性比较由作者陈述，具体条件和结果未提供，不能推断普遍优势。
原文摘要
By starting from a natural class of robust estimators for generalized linear models based on the notion of quasi-likelihood, we define robust deviances that can be used for stepwise model selection as in the classical framework. We derive the asymptotic distribution of tests based on robust deviances, and we investigate the stability of their asymptotic level under contamination. The binomial and Poisson models are treated in detail. Two applications to real data and a sensitivity analysis show that the inference obtained by means of the new techniques is more reliable than that obtained by classical estimation and testing procedures.