Propagation of outliers in multivariate data
多变量数据中的异常值传播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：摘要聚焦通用多变量稳健估计与污染模型，未涉及所列经济计量细分。
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…
多变量数据中的异常值传播
- 研究问题
- 当异常污染分别发生在各变量中时，数据处理为何可能传播异常，并削弱稳健多变量位置估计的抗污染能力？
- 方法与思路
- 作者在灵活污染模型下定义并推导位置估计的影响函数，用于分析逐分量污染及其经过数据处理后的传播。
- 材料陈述的贡献
- 摘要称，标准高崩溃点仿射等变估计量会传播异常值，在高维逐分量污染下表现出较差的崩溃性质。
- 阅读关注点
- 应核对逐分量污染与整行污染的区别、异常传播的具体机制，以及影响函数和崩溃性质结论的适用条件。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 索引摘要；未说明全部估计量范围、维数阈值或替代方案，不能推断刊本变化。
原文摘要
We investigate the performance of robust estimates of multivariate location under nonstandard data contamination models such as componentwise outliers (i.e., contamination in each variable is independent from the other variables). This model brings up a possible new source of statistical error that we call “propagation of outliers.” This source of error is unusual in the sense that it is generated by the data processing itself and takes place after the data has been collected. We define and derive the influence function of robust multivariate location estimates under flexible contamination models and use it to investigate the effect of propagation of outliers. Furthermore, we show that standard high-breakdown affine equivariant estimators propagate outliers and therefore show poor breakdown behavior under componentwise contamination when the dimension d is high.