Estimating minimum effect with outlier selection
伴随异常值筛选的最小效应估计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：摘要核心为稳健均值估计和异常值多重检验，未研究因果效应，也没有金融尾部风险的直接证据。
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…
伴随异常值筛选的最小效应估计
- 研究问题
- 当污染样本倾向于取得更大数值时，如何估计未污染样本的均值，并在筛选异常值时限制错误发现的数量？
- 方法与思路
- 作者引入单侧 Huber 污染模型，研究极小极大风险与污染数量自适应估计，并将异常值筛选写成未知零分布的多重检验。
- 材料陈述的贡献
- 摘要称，得到区别于经典污染模型的最优收敛率，并在估计零分布时建立 FDR 与事后界保证，还讨论等相关情形。
- 阅读关注点
- 应核对单侧污染的严格定义、自适应范围与零分布估计条件，分别理解均值估计风险、FDR 控制及事后界的保证。
- 阅读边界
- 依据版本未注明的 OpenAlex 摘要；具体风险与依赖条件未说明，“最小效应”指未污染均值，未提供因果解释。
原文摘要
We introduce one-sided versions of Huber’s contamination model, in which corrupted samples tend to take larger values than uncorrupted ones. Two intertwined problems are addressed: estimation of the mean of the uncorrupted samples (minimum effect) and selection of the corrupted samples (outliers). Regarding estimation of the minimum effect, we derive the minimax risks and introduce estimators that are adaptive with respect to the unknown number of contaminations. The optimal convergence rates differ from the ones in the classical Huber contamination model. This fact uncovers the effect of the one-sided structural assumption of the contaminations. As for the problem of selecting the outliers, we formulate the problem in a multiple testing framework for which the location and scaling of the null hypotheses are unknown. We rigorously prove that estimating the null hypothesis while maintaining a theoretical guarantee on the amount of the falsely selected outliers is possible, both through false discovery rate (FDR) and through post hoc bounds. As a by-product, we address a long-standing open issue on FDR control under equi-correlation, which reinforces the interest of removing dependency in such a setting.