Multivariate Outlier Detection With High-Breakdown Estimators
利用高崩溃点估计量检测多元异常值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：摘要研究一般多元异常值检测和稳健协方差估计，未涉及金融尾部损失或系统性风险，不能直接归入风险细分。
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
利用高崩溃点估计量检测多元异常值
- 研究问题
- 如何基于高崩溃点的最小协方差行列式估计量构造多元异常值检验，同时改善无异常时的表现和个体检测功效？
- 方法与思路
- 作者近似稳健距离的精确分布以确定小样本阈值，并在一步重加权后增加迭代步骤，结合渐近结果和模拟分析。
- 材料陈述的贡献
- 摘要称所提阈值较渐近分布校准更准确，新增迭代进一步提高异常识别功效，并与现有多元异常检验比较。
- 阅读关注点
- 应核对无异常原假设的分布设定、距离近似与阈值计算，以及新增迭代对误报、功效和稳健性的影响。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；污染模式、分布条件和误报控制细节未提供，不能推断普遍优越性。
原文摘要
In this paper we develop multivariate outlier tests based on the high-breakdown Minimum Covariance Determinant estimator. The rules that we propose have good performance under the null hypothesis of no outliers in the data and also appreciable power properties for the purpose of individual outlier detection. This achievement is made possible by two orders of improvement over the currently available methodology. First, we suggest an approximation to the exact distribution of robust distances from which cut-off values can be obtained even in small samples. Our thresholds are accurate, simple to implement and result in more powerful outlier identification rules than those obtained by calibrating the asymptotic distribution of distances. The second power improvement comes from the addition of a new iteration step after one-step reweighting of the estimator. The proposed methodology is motivated by asymptotic distributional results. Its finite sample performance is evaluated through simulations and compared to that of available multivariate outlier tests.