Some “Optimal” Methods to Detect Structural Shift or Outliers in Regression
回归中检测结构变化或异常值的若干“最优”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：摘要直接研究有序回归中的结构变化检测，并明确讨论 CUSUM 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…
关注这篇论文的作者
回归中检测结构变化或异常值的若干“最优”方法
- 研究问题
- 研究自然有序回归中如何检测结构变化，以及在一部分观测满足模型假设时，如何识别另一部分可能存在的异常值。
- 方法与思路
- 作者采用 Neyman–Pearson 思路研究结构变化，分析已知方差下的反向 CUSUM，并构造两种异常值检测方法。
- 材料陈述的贡献
- 摘要称，已知方差时反向 CUSUM 最大化平均功效，并提出在样本可分为两部分的设定下具有最优性的方法。
- 阅读关注点
- 应核对平均功效的加权方式、变化位置的设定、已知方差条件，以及异常值方法对可靠样本部分的要求。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。最优性依赖明确设定，不能推广到未知方差或任意污染模式；具体限制和刊本变化未提供。
原文摘要
A Neyman-Pearson approach is taken to the problem of detecting structural shifts in naturally ordered regression problems. When the variance is known, backwards CUSUM methods are shown to maximize average power, and their application is discussed. Two methods with optimality properties for outlier detection are developed, assuming that the observations may be divided into two parts, where the first part satisfies the model assumptions, while outliers may be present in the other.