The Identification of Multiple Outliers
多个异常值的识别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：摘要讨论一般异常值识别与稳健统计，未明确涉及尾部风险或所列专门应用。
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
多个异常值的识别
- 研究问题
- 如何依据正常观测模型定义并识别多个异常值，以及稳健统计方法与向外检验方法在崩溃点和最坏情形表现上有何差异？
- 方法与思路
- 作者将异常值定义为相对正常观测模型落入异常区域的观测，分析不同识别方法的崩溃点和最坏情形行为，并给出具体程序。
- 材料陈述的贡献
- 摘要称两类方法在特定意义下均有最高可能崩溃点，但更细分析显示稳健统计方法的最坏情形表现更好，并给出基于Hampel建议的识别器。
- 阅读关注点
- 应核对异常区域的定义、崩溃点所采用的准确意义、最坏情形比较的准则，以及具体识别器的校准和多异常值处理步骤。
- 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；摘要未说明模型类别和比较条件，不能据此认定稳健方法普遍更优。
原文摘要
One approach to identifying outliers is to assume that the outliers have a different distribution from the remaining observations. In this article we define outliers in terms of their position relative to the model for the good observations. The outlier identification problem is then the problem of identifying those observations that lie in a so-called outlier region. Methods based on robust statistics and outward testing are shown to have the highest possible breakdown points in a sense derived from Donoho and Huber. But a more detailed analysis shows that methods based on robust statistics perform better with respect to worst-case behavior. A concrete outlier identifier based on a suggestion of Hampel is given.