Loss Functions for Detecting Outliers in Panel Data
用于面板数据异常值检测的损失函数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：摘要明确针对面板数据构造异常值检测方法，直接对应面板数据方向。
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
用于面板数据异常值检测的损失函数
- 研究问题
- 在面板数据中，如何不依赖分布假设识别观测、估计或预测中的异常值，并区分正负异常及跨期差异？
- 方法与思路
- 作者分别针对非负数据和正负混合数据，以公理化方式构造无符号及有符号损失函数，并用图形探索参数选择。
- 材料陈述的贡献
- 摘要称，名义时间情形下可获得损失函数的精确参数化，时间不变的损失函数支持跨期比较，并提供分类异常值示例。
- 阅读关注点
- 应核对公理的经济与统计含义、异常值判定规则、参数选择依据，以及时间不变性如何保证不同期数据可比。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明检测误差、阈值校准或如何区分数据错误与真实极端观测。
原文摘要
The detection of outliers is of critical importance in the assurance of data quality. Outliers may exist in observed data or in data derived from these observed data, such as estimates and forecasts. An outlier may indicate a problem with its data generation process or may simply be a true, but unusual, statement about the world. Without making any distributional assumptions, we proposes the use of loss functions to detect these outliers in panel data. Part I covers nonnegative data. We axiomatically derive an unsigned loss function. We then develop a signed loss function ito account for positive and negative outliers separately. In the case of nominal time we obtain an exact parametrization of the loss function. A time-invariant loss function permits the comparison of data at multiple times on the same basis. We provide several examples, including an example in which the outliers are classified by another variable. Part II covers data of mixed sign. Similar to Part I, we axiomatically develop unsigned and signed loss functions. We search for optimal values of the loss function parameter using graphs.