Outlier Impact: Detection by Consequences
异常值影响：依据统计后果进行检测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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确将异常值对实验中因果推断有效性的影响列为应用动机，因此归入因果推断。
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
异常值影响：依据统计后果进行检测
- 研究问题
- 异常值检测能否同时考虑观测的异常程度与其对统计推断的实质影响，从而在实验分析中只标记真正影响结论的数据点？
- 方法与思路
- 作者提出依据统计影响而非笼统异常程度的检测思路，具体关注潜在异常值对均值及假设检验假阳性率的影响，并要求其具有异常性。
- 材料陈述的贡献
- 摘要提出将推断后果纳入异常值筛选的框架，强调均值和假阳性率两个影响维度；未提供具体算法、理论保证或实验结果。
- 阅读关注点
- 应核对影响量的定义、异常性与实质影响的联合判据、筛选阈值，以及利用同一数据检测并检验时对假阳性率的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要较简短，未说明删除或保留异常值的规则，也未给出因果有效性的保证。
原文摘要
We introduce a novel outlier detection method that utilizes a concrete measure of the statistical impact of an outlier rather than a vague notion of "unusualness". This allows practitioners to only flag points that materially affect the inferences made from the data while also ensuring these points are anomalous. This is of particular interest in experimentation, where outliers affect the validity of the causal inferences. In particular, we consider a potential outlier's impact on the mean and the False Positive Rate (FPR) of a hypothesis test.