Comparing probabilistic methods for outlier detection in linear models
线性模型异常值检测概率方法的比较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：摘要讨论一般线性模型的异常值诊断，未明确对应所列计量细分领域。
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
线性模型异常值检测概率方法的比较
- 研究问题
- 在线性模型中，基于均值偏移和方差偏移的后验诊断，与基于实际残差后验概率的异常值诊断相比有何表现？
- 方法与思路
- 作者比较两种后验概率诊断思路，组合均值偏移与方差偏移模型的诊断，并推导其与某种预测分布的关系。
- 材料陈述的贡献
- 摘要称组合诊断似乎比实际残差的后验概率方法更有效，并给出与预测分布的联系；这一表述本身保留了不确定性。
- 阅读关注点
- 应核对先验和偏移模型设定、异常判定规则、预测分布的构造，以及有效性比较所采用的指标和检验环境。
- 阅读边界
- 所给材料是稿件版本未注明的 OpenAlex 索引摘要；未提供比较范围和数值结果，不能将“似乎更有效”提升为普遍优势。
原文摘要
This paper compares the use of two posterior probability methods to deal with outliers in linear models. We show that putting together diagnostics that come from the mean-shift and variance-shift models yields a procedure that seems to be more effective than the use of probabilities computed from the posterior distributions of actual realized residuals. The relation of the suggested procedure to the use of a certain predictive distribution for diagnostics is derived.