Multiple Influential Point Detection in High Dimensional Regression Spaces
高维回归空间中的多重影响点检测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：摘要讨论高维回归的通用影响诊断，未明确涉及因果、面板、金融或其他所列领域细分，故暂不分类。
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…
高维回归空间中的多重影响点检测
- 研究问题
- 高维回归中，多个影响点可能相互掩盖，或使正常观测被误判；如何同时处理这两类问题并控制误发现率？
- 方法与思路
- 作者基于边际相关影响度量构造组删除程序，以最大统计量处理掩盖效应、最小统计量处理误判效应，并结合二者设计检测算法。
- 材料陈述的贡献
- 摘要称该程序能按预设误发现率检测影响点，具有理论性质，并通过模拟和数据分析检验效果；同时提供实现该方法的R包。
- 阅读关注点
- 应核对影响点与误发现率的定义、两种统计量的互补机制，以及理论结论对维度、样本量、污染比例和抽样方式的要求。
- 阅读边界
- 仅据所给Crossref摘要，无法判断误发现率保证的具体条件、计算成本或实证效果大小，不能将摘要中的有效性表述视为普遍保证。
原文摘要
Summary Influence diagnosis is an integrated component of data analysis but has been severely underinvestigated in a high dimensional regression setting. One of the key challenges, even in a fixed dimensional setting, is how to deal with multiple influential points that give rise to masking and swamping effects. The paper proposes a novel group deletion procedure referred to as multiple influential point detection by studying two extreme statistics based on a marginal-correlation-based influence measure. Named the min- and max-statistics, they have complementary properties in that the max-statistic is effective for overcoming the masking effect whereas the min-statistic is useful for overcoming the swamping effect. Combining their strengths, we further propose an efficient algorithm that can detect influential points with a prespecified false discovery rate. The influential point detection procedure proposed is simple to implement and efficient to run and enjoys attractive theoretical properties. Its effectiveness is verified empirically via extensive simulation study and data analysis. An R package implementing the procedure is freely available.