New Tools for Residual Analysis
残差分析的新工具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：摘要涉及线性模型的通用残差诊断与观测筛选，没有足够证据归入所列因果、面板或预测应用方向。
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
残差分析的新工具
- 研究问题
- 如何按观测偏离线性模型的程度逐步筛选观测，并为每个入选观测赋予具有统计解释的 P 值？
- 方法与思路
- 作者定义一类偏离程度准则，讨论其中主要准则，并比较构造逐步 P 值序列的两种方式，用较易计算的方式展示数据实例。
- 材料陈述的贡献
- 摘要称提供观测逐步筛选与 P 值赋值技术，并比较两种构造方式的相对优点；没有报告普遍优越性或误差控制结论。
- 阅读关注点
- 应核对筛选顺序如何进入 P 值计算、模型误差假定，以及逐个 P 值与整个筛选序列的错误概率控制之间的关系。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；未说明选择后校准和多重检验控制的具体性质，实例也只采用计算较简单的方式。
原文摘要
Techniques are presented for stepwise selection of observations in order of discrepancy from a linear model, and for assigning a $P$ value to each selected observation. A general class of criteria for discrepancy is defined, and leading members of the class are discussed. Two ways to define the sequence of $P$ values for a general selection criterion are discussed, and their relative advantages are compared. The techniques are illustrated on several data sets using only the computationally simpler of the two approaches to $P$ values.