On Outlier Detection in Time Series
时间序列中的异常值检测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：摘要明确研究高斯 ARMA 时间序列中的异常值估计与检测，与时间序列方法方向直接对应。
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
时间序列中的异常值检测
- 研究问题
- 对于高斯 ARMA 过程生成的时间序列，如何估计和检测异常值，并区分直接影响观测的加性异常与进入创新项的异常？
- 方法与思路
- 作者联系加性异常估计与缺失或删除观测的估计，提供递归计算程序，并考察似然比、得分准则及删去多个观测的诊断。
- 材料陈述的贡献
- 摘要称，加性异常估计与缺失观测估计直接相关，所研究检测准则与既有删除诊断密切相关，并比较了创新异常的处理。
- 阅读关注点
- 应核对两类异常的模型定义、递归估计步骤，以及检测准则与删除诊断之间的具体关系、临界值和适用条件。
- 阅读边界
- 仅据所给 Crossref 摘要；摘要未说明异常数量、位置搜索、参数估计影响及误报控制，不能推断其他版本变化。
原文摘要
SUMMARY The estimation and detection of outliers in a time series generated by a Gaussian auto-regressive moving average process is considered. It is shown that the estimation of additive outliers is directly related to the estimation of missing or deleted observations. A recursive procedure for computing the estimates is given. Likelihood ratio and score criteria for detecting additive outliers are examined and are shown to be closely related to the leave-k-out diagnostics studied by Bruce and Martin. The procedures are contrasted with those appropriate for innovational outliers.