The Masking Breakdown Point of Multivariate Outlier Identification Rules
多元异常值识别规则的掩蔽崩溃点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：摘要属于多元稳健统计与异常值识别，未明确涉及任何所列领域细分。
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
多元异常值识别规则的掩蔽崩溃点
- 研究问题
- 基于位置与协方差估计量的多元异常值识别规则，为什么可能遗漏异常点，其掩蔽行为与估计量崩溃点有何关系？
- 方法与思路
- 作者将单变量的 α 异常值识别概念扩展到多元数据，并研究位置与协方差估计量的有限样本崩溃点对识别规则的影响。
- 材料陈述的贡献
- 摘要提出对异常值掩蔽现象的形式化分析，以解释为何使用有限样本崩溃点较低的估计量可能不利于异常值识别。
- 阅读关注点
- 应核对多元识别规则与掩蔽崩溃点的定义、污染配置的设定，以及估计量崩溃点与识别失败之间的具体关系。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未列出关系式或定理条件，不能概括为普遍的识别保证。
原文摘要
In this article, we consider simultaneous outlier identification rules for multivariate data, generalizing the concept of so-called α outlier identifiers, as presented by Davies and Gather for the case of univariate samples. Such multivariate outlier identifiers are based on estimators of location and covariance. Therefore, it seems reasonable that characteristics of the estimators influence the behavior of outlier identifiers. Several authors mentioned that using estimators with low finite-sample breakdown point is not recommended for identifying outliers. To give a formal explanation, we investigate how the finite-sample breakdown points of estimators used in these identification rules influence the masking behavior of the rules.