A Fast Procedure for Outlier Diagnostics in Large Regression Problems
大型回归问题中异常值诊断的快速程序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：摘要聚焦通用稳健回归和异常值诊断，未明确涉及所列经济计量细分方向。
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
大型回归问题中异常值诊断的快速程序
- 研究问题
- 解释变量较多时，如何以可承受的计算成本近似稳健尺度最小化估计，并识别可能相互掩蔽的多个异常值？
- 方法与思路
- 作者利用逐点删除引起的最小二乘预测变化，经主成分极端点或大残差筛选疑似异常值，再比较删除后候选估计的稳健尺度。
- 材料陈述的贡献
- 摘要称，程序可用于大型回归并嵌入高崩溃点估计方法，有助于识别多个异常值；论文以真实数据和模拟考察其表现。
- 阅读关注点
- 应核对稳健尺度的定义、异常值候选集的生成规则、计算量随维度的变化，以及掩蔽情形下的检测能力和误报表现。
- 阅读边界
- 仅据版本未注明且含文字提取错误的 OpenAlex 摘要；摘要未给出复杂度、效率或检测力数值，性能陈述不能视为普遍保证。
原文摘要
We propose a procedure for computing a fast approximation to regression estimates based on the minimization of a robust scale. The procedure can be applied with a large number of independent variables where the usual algorithms require an unfeasible or extremely costly computer time. Also, it can be incorporated in any high-breakdown estimation method and may improve it with just little additional computer time. The procedure minimizes the robust scale over a set of tentative parameter vectors estimated by least squares after eliminating a set of possible outliers, which are obtained as follows. We represent each observation by the vector of changes of the least squares forecasts of the observation when each of the data points is deleted. Then we obtain the sets of possible outliers as the extreme points in the principal components of these vectors, or as the set of points with large residuals. The good performance of the procedure allows identication of multiple outliers, avoiding masking eects. We investigate the procedure’s eciency for robust estimation and power as an outlier detection tool in a large real dataset and in a simulation study. KEY WORDS: Masking; Outliers; Robust regression. 1.