Fast Very Robust Methods for the Detection of Multiple Outliers
快速稳健的多重异常值检测方法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：摘要聚焦通用稳健回归与多元异常检测，未提供所列经济计量细分方向的直接证据。
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…
关注这篇论文的作者
快速稳健的多重异常值检测方法
- 研究问题
- 当多个异常值相互掩蔽、常规诊断难以发现时，如何通过计算负担较低的搜索获得足够稳健的参数估计并识别异常？
- 方法与思路
- 作者从随机起点重复进行简单前向搜索，结合回归的最小中位平方估计和多元数据的最小体积椭球，并用钟乳石图显示稳定性。
- 材料陈述的贡献
- 摘要称少量重复搜索即可获得揭示被掩蔽异常值的稳健估计，前向搜索也有计算这些估计的潜力，且并行计算可节省时间。
- 阅读关注点
- 应核对随机起点数量、搜索更新和停止规则、图形稳定性的判读方法，以及异常比例与维度对检测和计算的影响。
- 阅读边界
- 仅据版本未注明的OpenAlex索引摘要，不能推断刊本变化；摘要未给出稳健性界限、检测错误率或计算提速的具体数值。
原文摘要
A few repeats of a simple forward search from a random starting point are shown to provide sufficiently robust parameter estimates to reveal masked multiple outliers. The stability of the patterns obtained is exhibited by the stalactite plot. The robust estimators used are least median of squares for regression and the minimum volume ellipsoid for multivariate outliers. The forward search also has potential as an algorithm for calculation of these parameter estimates. For large problems, parallel computing provides appreciable reduction in computational time.