The Cellwise Minimum Covariance Determinant Estimator
单元格层面的最小协方差行列式估计量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：摘要讨论通用稳健协方差估计与单元格异常值，未明确关联所列经济计量细分方向。
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
单元格层面的最小协方差行列式估计量
- 研究问题
- 当异常值只出现在数据矩阵的部分单元格时，如何稳健估计协方差，同时保留同一行中其他正常单元格所包含的信息？
- 方法与思路
- 作者提出 cellMCD，以观测似然及被标记异常单元格数量的惩罚构造目标函数，并使用保证目标下降的集中步骤设计快速算法。
- 材料陈述的贡献
- 摘要称方法具有良好的崩溃性质，在单元格污染模拟中表现良好，并在干净数据上保持较高有限样本效率，另提供真实数据展示。
- 阅读关注点
- 应核对单元格污染模型、惩罚与异常标记规则、崩溃性质的条件，以及目标下降是否进一步保证收敛及解的质量。
- 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；摘要未给崩溃点、效率数值，也未声称算法找到全局最优解。
原文摘要
The usual Minimum Covariance Determinant (MCD) estimator of a covariance matrix is robust against casewise outliers. These are cases (that is, rows of the data matrix) that behave differently from the majority of cases, raising suspicion that they might belong to a different population. On the other hand, cellwise outliers are individual cells in the data matrix. When a row contains one or more outlying cells, the other cells in the same row still contain useful information that we wish to preserve. We propose a cellwise robust version of the MCD method, called cellMCD. Its main building blocks are observed likelihood and a penalty term on the number of flagged cellwise outliers. It possesses good breakdown properties. We construct a fast algorithm for cellMCD based on concentration steps (C-steps) that always lower the objective. The method performs well in simulations with cellwise outliers, and has high finite-sample efficiency on clean data. It is illustrated on real data with visualizations of the results.