Adaptive Influence Diagnostics in High-Dimensional Regression
高维回归中的自适应影响诊断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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要主题为高维回归的影响诊断与变量选择方法，属于统计方法论，未涉及所提供领域细分中的因果推断、面板、时间序列、资产定价等方向，故不选择任何细分。
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
高维回归中的自适应影响诊断
- 研究问题
- 摘要称，研究问题是在存在多重共线性与离群污染的高维单指标模型中，如何诊断有影响的观测点，并缓解经典 Cook 距离的遮蔽与淹没问题。
- 方法与思路
- 作者提出自适应 Cook 距离（ACD），称其为基于稀疏局部线性梯度的无模型方法，用以抑制杠杆效应；并给出基于 LASSO 与 SCAD 惩罚的 ACD-LASSO、ACD-SCAD 版本，在低维与高维强相关设计的模拟中与经典方法比较。
- 材料陈述的贡献
- 摘要称，模拟中 ACD-LASSO 与 ACD-SCAD 相对经典 Cook 距离、局部影响以及 DF-Model、Case-Weight 调整解，减少了遮蔽与淹没；剔除 ACD 标记点可稳定变量选择并保留核心信号；两个数据应用显示选择稳定性与可解释性改善。
- 阅读关注点
- 应核对 ACD 的具体构造与稀疏局部线性梯度的识别条件、惩罚参数选择方式、模拟设计维度与相关性强度、遮蔽与淹没的评价指标，以及两数据集上稳定性改善的度量与是否可复现。
- 阅读边界
- 仅依据 arXiv 预印本摘要，未读全文，也未验证同行评审或期刊接收状态；摘要未说明理论性质、识别假设、收敛性或渐近分布，模拟与实证的具体数值结果亦未给出。
原文摘要
An adaptive Cook's distance (ACD) for diagnosing influential observations in high-dimensional single-index models with multicollinearity and outlier contamination is proposed. ACD is a model-free technique built on sparse local linear gradients to temper leverage effects. In simulations spanning low- and high-dimensional design settings with strong correlation, ACD based on LASSO (ACD-LASSO) and SCAD (ACD-SCAD) penalties reduced masking and swamping relative to classical Cook's distance and local influence as well as the DF-Model and Case-Weight adjusted solution for LASSO. Trimming points flagged by ACD stabilizes variable selection while preserving core signals. Applications to two datasets--the 1960 US cities pollution study and a high-dimensional riboflavin genomics experiment show consistent gains in selection stability and interpretability.