Testing Most Influential Sets
最具影响力观测集合的检验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：摘要提供通用最小二乘敏感性与极值检验理论，未明确对应所列领域细分。
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
最具影响力观测集合的检验
- 研究问题
- 少量观测可能推翻模型结论，但最大影响力有多大才超出正常抽样波动，如何为这种敏感性建立正式统计检验？
- 方法与思路
- 作者针对线性最小二乘推导精确影响力公式，并研究不同集合规模与尾部情形下最大影响力的极值分布，以构造检验。
- 材料陈述的贡献
- 摘要称，相关情形分别出现Fréchet或Gumbel极限分布，使过度影响力可以正式检验，并展示跨领域应用。
- 阅读关注点
- 应核对影响力的定义、集合选择方式、尾部与集合规模的条件，以及极值近似、检验校准和应用中的结论变化。
- 阅读边界
- 这是arXiv预印本，同行评审或期刊接收未经核实。摘要未列出极值定理的完整条件，也不足以判断方法对其他模型的适用性。
原文摘要
Small influential data subsets can dramatically impact model conclusions, with a few data points overturning key findings. While recent work identifies these most influential sets, there is no formal way to tell when maximum influence is excessive rather than expected under natural random sampling variation. We address this gap by developing a principled framework for most influential sets. Focusing on linear least-squares, we derive a convenient exact influence formula and identify the extreme value distributions of maximal influence - the heavy-tailed Fréchet for constant-size sets and heavy-tailed data, and the well-behaved Gumbel for growing sets or light tails. This allows us to conduct rigorous hypothesis tests for excessive influence. We demonstrate through applications across economics, biology, and machine learning benchmarks, resolving contested findings and replacing ad-hoc heuristics with rigorous inference.