Finding the Outliers that Matter
识别具有重要影响的离群观测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：摘要讨论通用线性模型的离群与影响诊断，未提供具体因果、面板、宏观或金融问题，所列细分证据不足。
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
识别具有重要影响的离群观测
- 研究问题
- 在线性模型中，如何识别一个或多个可能显著影响参数估计的异常观测，并为探索性诊断提供显著性检验？
- 方法与思路
- 作者提出衡量重要离群观测的新统计量，讨论其分布性质、精确显著性检验和计算问题，并以多个例子展示。
- 材料陈述的贡献
- 摘要称，方法将离群诊断与对参数估计的潜在影响联系起来，在探索性使用之外还提供精确显著性检验。
- 阅读关注点
- 应核对影响统计量的定义、单个与多个离群观测的处理方式，以及精确检验的分布条件和探索性筛选的影响。
- 阅读边界
- 仅据 Crossref 摘要解读；摘要未给出统计量公式或检验条件，不能据此声称该方法在任意误差分布下均精确有效。
原文摘要
Summary A method is proposed for examining a linear model for the presence of one or more important outliers—deviant observations which have a potentially large influence on the resulting parameter estimates. For this purpose, a new statistic is proposed and its distributional properties are discussed. The method itself is exploratory in nature, but exact significance tests are available. Several examples illustrate the method. Computational aspects are discussed.