秦宜成;Priebe，Carey E。 基于期望最大化算法的最大似然估计：混合模型的稳健估计。 （英语） Zbl 06224976号 美国统计协会。 108，No.503，914-928（2013）. 摘要：我们使用我们提出的期望最大化（EM）算法，即具有L似然（EM-L）的EM算法，引入了混合模型的最大L似然估计（ML（q）E）。通过模拟混合物模型数据，研究了从所提出的EM-L（q\）中获得的ML（q\）E的性质。与从EM算法获得的最大似然估计（MLE）相比，ML\（q\）E对于小样本量的异常值提供了更稳健的估计。特别是，我们在粗差模型的背景下研究了ML（q）E的性能，其中真正感兴趣的模型是两个正态分布的混合，而污染成分是方差较大的第三个正态分配。根据Kullback-Leibler（KL）距离和相对效率，对该粗差模型的ML（q）E和MLE进行了数值比较。 引用于7文件 MSC公司： 62至XX 统计 关键词：粗差模型;稳健性 PDF格式BibTeX公司 XML格式引用 \textit{Y.Qin}和\textit{C.E.Priebe}，美国统计协会期刊108，第503、914--928号（2013；Zbl 06224976） 全文： 内政部 参考文献： [1] Bickel P.J.，《数理统计基本思想和选题》第一卷（第二版）（2007年）·Zbl 1380.62002号 [2] Cuesta-Albertos J.A.，《皇家统计学会杂志》，B辑70 pp 779–（2008）·Zbl 05563369号 ·doi:10.1111/j.1467-9868.2008.00657.x [3] Dempster A.P.，《皇家统计学会杂志》，B辑39 pp 1–（1977） [4] Ferrari D.，《统计年鉴》38，第753页–（2010年）·Zbl 1183.62033号 ·doi:10.1214/09-AOS687 [5] 内政部：10.1080/01621459.1999.10474200·doi:10.1080/01621459.1999.10474200 [6] 郭伟，IEEE信号处理汇刊56，第3069页–（2008）·Zbl 1390.94199号 ·doi:10.1109/TSP.2008.919640 [7] 内政部：10.1080/10618600.2000.10474858·doi:10.1080/1061860020.10474858 [8] McLachlan G.J.，《奥地利统计杂志》35，第157页–（2006） [9] 孟X.-L.，Biometrika 80 pp 267–（1993）·Zbl 0778.62022号 ·doi:10.1093/biomet/80.2.267 [10] Peel D.，《统计与计算》10，第339页–（2000年）·doi:10.1023/A:1008981510081 [11] Redner R.A.，《工业和应用数学学会评论》，第26页，195–（1984） [12] Silverman B.W.，《统计和数据分析密度估计》（1986年）·兹比尔0617.62042 ·doi:10.1007/978-1-4899-3324-9 [13] Tadjudin S.，IEEE地球科学和遥感汇刊38，第439页–（2000）·doi:10.1109/36.823939 [14] 内政部：10.1080/01621459.1992.10476277·doi:10.1080/01621459.1992.10476277 [15] Wu C.F.J.，《统计年鉴》，第11页，第95页–（1983年）·Zbl 0517.62035号 ·doi:10.1214/aos/1176346060 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。