Influence functions and outlier detection under the common principal components model: A robust approach
共同主成分模型中的影响函数与离群点检测：稳健方法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：共同主成分是一般多元统计模型，摘要没有宏观或金融因子模型的具体设定。
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
共同主成分模型中的影响函数与离群点检测：稳健方法
- 研究问题
- 对于多组共享主轴但沿各轴方差不同的多元观测，如何描述共同主成分估计对异常观测的敏感性，并据此检测离群点？
- 方法与思路
- 作者推导共同主成分模型下代入式估计与投影寻踪估计的影响函数，由其得到渐近方差，并用部分影响函数检测离群点。
- 材料陈述的贡献
- 摘要称得到两类估计方法的影响函数及相应渐近方差，并指出部分影响函数可用于离群点检测，未报告具体检测效果。
- 阅读关注点
- 应核对两类估计量的定义、影响函数存在条件、共同主轴约束，以及部分影响函数如何转换为检测规则与阈值。
- 阅读边界
- 依据版本未注明的索引摘要；未说明污染模型、检测阈值或有限样本误报表现，不能仅凭稳健方法的题名判断实际抗异常能力。
原文摘要
The common principal components model for several groups of multivariate observations assumes equal principal axes but different variances along these axes among the groups. Influence functions for plug‐in and projection‐pursuit estimates under a common principal component model are obtained. Asymptotic variances are derived from them. Outlier detection is possible using partial influence functions.