A Fast Procedure for Outlier Diagnostics in Large Regression Problems
大型回归问题中的快速离群诊断程序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：摘要涉及通用稳健回归与离群诊断，没有所列经济学细分方向的明确证据。
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
大型回归问题中的快速离群诊断程序
- 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回归估计，并识别因相互掩蔽而难以发现的多个离群值？
- 方法与思路
- 作者用逐点删除引起的最小二乘预测变化构造向量，从其主成分极端点或大残差筛选可疑观测，再比较候选参数的稳健尺度。
- 材料陈述的贡献
- 摘要称程序可嵌入高崩溃点估计方法，以少量额外计算改善表现，并通过真实大样本与模拟考察估计效率及离群检测能力。
- 阅读关注点
- 应核对候选离群集合的生成与筛选、稳健尺度的选择，以及复杂度、掩蔽效应和检测功效如何衡量，关注基准算法。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；未提供复杂度界、误判控制或比较数值，不能认为所有高维回归均适用且有效。
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 identification of multiple outliers, avoiding masking effects. We investigate the procedure's efficiency for robust estimation and power as an outlier detection tool in a large real dataset and in a simulation study.