Outlier Tests for Logistic Regression: A Conditional Approach
逻辑回归异常值检验：条件方法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：摘要讨论通用逻辑回归异常值检验，未提供离散选择、因果识别或其他所列领域的直接依据。
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
逻辑回归异常值检验：条件方法
- 研究问题
- 在逻辑回归数据中，如何检验单个或多个观测是否异常，并减少对渐近近似的依赖？摘要关注条件于充分统计量的精确检验。
- 方法与思路
- 作者在逻辑回归偏移模型下构造异常值检验，枚举所有与观测充分统计量一致的响应组合，据此计算条件检验的 p 值。
- 材料陈述的贡献
- 摘要称，论文发展了单个与多个异常值的精确条件检验，讨论采用计算密集方法的理由，并通过两个例子展示其应用。
- 阅读关注点
- 阅读全文时应核对偏移模型如何定义异常、条件化如何处理未知参数，以及多异常值检验的构造、枚举成本与适用样本规模。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体模型条件、检验性质及计算规模未说明，不能推断其他版本变化或普遍优于渐近方法。
原文摘要
We consider exact conditional methods for identifying outliers in logistic regression data. Tests for a single outlier and multiple outliers are developed assuming a logistic slippage model. The p-values for these tests are determined using an explicit enumeration of all possible responses consistent with the observed value of the sufficient statistic. Justifications are given for preferring this computationally intensive approach to standard methods based on asymptotic approximations. The techniques are applied to two examples.