A Probabilistic Model for Identifying Errors in Data Editing
数据编辑中识别错误的概率模型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：摘要研究数据校验和错误定位模型，未明确涉及所列计量经济学细分方法。
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…
数据编辑中识别错误的概率模型
- 研究问题
- 数据筛查系统同时违反多项逻辑检查时，如何将检查结果转化为各变量出错的概率度量，并解释这种度量的统计含义？
- 方法与思路
- 作者建立概率模型，将同时被违反的一组逻辑检查用于定位出错变量，并在某些对称条件下讨论该度量的后验近似解释。
- 材料陈述的贡献
- 摘要提出对候选出错变量赋予概率度量的方法，称在特定对称条件下，该度量合理近似给定检查违规后的变量错误后验概率。
- 阅读关注点
- 应核对逻辑检查如何约束错误组合、概率度量的构造、对称条件的含义，以及其与真实后验概率之间的近似依据。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；错误机制、对称条件及近似精度未说明，不能把概率度量视为普遍有效的后验或推断刊本变化。
原文摘要
Certain data screening systems incorporate large numbers of logical checks on data entering the system. When violated, these logical checks indicate that various combinations of variates are in error. This article provides a model for assigning a probability measure to identify variates in error when there is a simultaneous violation of a set of logical checks. For certain symmetry conditions, the measure is a reasonable approximation to the posterior probability that given a violation of a set of conditions, a variate is in error.