Detecting Over-Influential Observations in Time Series
时间序列中过度影响观测值的识别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：摘要明确讨论时间序列时域中的自相关函数与观测影响诊断，直接属于时间序列方法。
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
时间序列中过度影响观测值的识别
- 研究问题
- 研究从时域分析时间序列时，如何识别对自相关函数产生过大影响的观测值，以及如何设置判定其影响过大的阈值。
- 方法与思路
- 作者提出计算自相关函数多种影响度量的方法，并给出将观测值判定为过度影响点的阈值，同时提供一个使用示例。
- 材料陈述的贡献
- 摘要称方法提供了面向自相关函数的观测影响诊断工具，将影响度量与判定阈值结合，并展示阈值的实际使用方式。
- 阅读关注点
- 核对影响度量的定义、各滞后阶数的处理、阈值如何校准，以及序列相关性和样本长度对诊断结果的影响。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。摘要未说明阈值误报率或适用过程条件，不能将影响点直接视为错误数据或推断刊本变化。
原文摘要
The purpose of this paper is to develop a tool for identifying over-influential observations in time series when they are viewed in the time domain. We present a method for obtaining various measures of influence for the autocorrelation function, as well as thresholds for declaring an observation over-influential. An example of the use of these thresholds is also presented.