Detecting over-influential observations in time series
识别时间序列中过度影响结果的观测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。
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：摘要明确以时间序列的时域分析和自相关函数诊断为研究对象，直接对应时间序列方法方向。
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
识别时间序列中过度影响结果的观测
- 研究问题
- 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个别观测，并建立判定其影响过大的阈值？
- 方法与思路
- 作者为自相关函数构造多种观测影响度量，同时提供用于判定观测是否过度影响结果的阈值，并展示使用例子。
- 材料陈述的贡献
- 摘要称提出了时间序列观测的影响诊断工具，包括自相关函数的影响度量与判别阈值，并给出一个应用示例。
- 阅读关注点
- 应核对各影响度量的定义、阈值依据及对序列依赖的要求，并查看同时检查多个观测或滞后时如何控制误判。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要；序列条件、阈值校准和示例结果未说明，不能由影响诊断直接判定异常原因。
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.