Regression Diagnostics for Rank-Based Methods
基于秩的回归方法诊断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：摘要研究一般线性回归的秩诊断，未明确涉及因果识别、分位数效应或其他所列细分。
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…
基于秩的回归方法诊断
- 研究问题
- 拟合线性模型时，如何利用基于秩的残差识别异常观测、影响较大的个案，以及模型遗漏的非线性曲率？
- 方法与思路
- 作者分析秩回归残差的性质，构造异常值与影响诊断，并考察这些残差用于发现未被线性拟合捕捉的曲率。
- 材料陈述的贡献
- 摘要称，诊断方法在包括非对称分布的广泛误差分布下继承秩拟合的效率性质，并通过若干例子展示其用途。
- 阅读关注点
- 应核对残差的定义与尺度、影响诊断的判定规则、曲率检测的依据，以及效率结论适用的误差分布和设计条件。
- 阅读边界
- 材料为 OpenAlex 索引摘要，稿件版本未注明；摘要未说明诊断阈值、误报控制或效率比较基准，不能据此认定全面优于最小二乘。
原文摘要
Residual plots and diagnostic techniques have become important tools in examining the least squares fit of a linear model. In this article we explore the properties of the residuals from a rank-based fit of the model. We present diagnostic techniques that detect outlying cases and cases that have an influential effect on the rank-based fit. We show that the residuals from this fit can be used to detect curvature not accounted for by the fitted model. Furthermore, our diagnostic techniques inherit the excellent efficiency properties of the rank-based fit over a wide class of error distributions, including asymmetric distributions. We illustrate these techniques with several examples.