Robust and efficient estimation under data grouping
分组数据下的稳健与有效估计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：摘要研究一般连续分布分组后的参数估计，未涉及分位数或分布效应，也未提供其他所列方向的依据。
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…
分组数据下的稳健与有效估计
- 研究问题
- 对于连续分布产生的分组数据，如何构造便于计算的估计量，同时保持稳健性并取得较高的渐近效率？
- 方法与思路
- 作者将最小 Hellinger 距离方法改造为适用于分组数据的近似估计量，并在模型和分组条件下分析其渐近性质。
- 材料陈述的贡献
- 摘要称，该估计量在一定条件下具有一致性、渐近正态性和稳健性，且渐近效率可达到最大似然估计水平。
- 阅读关注点
- 应核对距离近似的定义、模型分布和分组规则条件、稳健性的衡量方式，以及与最大似然估计效率相同的适用范围。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未列出具体条件或模拟数值，不能推断任意分组规则都保留效率与稳健性。
原文摘要
The minimum Hellinger distance estimator is known to have desirable properties in terms of robustness and efficiency. We propose an approximate minimum Hellinger distance estimator by adapting the approach to grouped data from a continuous distribution. It is easier to compute the approximate version for either the continuous data or the grouped data. Given certain conditions on the model distribution and reasonable grouping rules, the approximate minimum Hellinger distance estimator is shown to be consistent and asymptotically normal. Furthermore, it is robust and can be asymptotically as efficient as the maximum likelihood estimator. The merit of the estimator is demonstrated through simulation studies and real data examples.