A Bayesian approach to outlier detection and residual analysis
异常值检测与残差分析的贝叶斯方法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：摘要涉及线性模型的一般贝叶斯诊断，未直接讨论因果、面板、金融风险或其他所列方向。
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
异常值检测与残差分析的贝叶斯方法
- 研究问题
- 在线性模型内部，如何识别由较大随机误差产生的异常观测，并通过后验分析和图形工具辅助诊断？
- 方法与思路
- 作者将异常值定义为所考虑线性模型生成的大随机误差观测，通过检查随机误差的后验分布进行检测。
- 材料陈述的贡献
- 摘要提出以误差后验分布为基础的异常值检测方法，并建议使用增强残差图，作为寻找异常观测的图形辅助。
- 阅读关注点
- 应核对先验与误差分布设定、异常值判定规则，以及增强残差图的构造和模型参数不确定性的处理方式。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；先验、检测阈值及误判表现未说明，不能判断方法对模型误设的稳健性。
原文摘要
An approach to detecting outliers in a linear model is developed. An outlier is defined to be an observation with a large random error, generated by the linear model under consideration. Outliers are detected by examining the posterior distribution of the random errors. An augmented residual plot is also suggested as a graphical aid in finding outliers.