与该站点上推荐 Dixon 和 Grubb 测试的许多线程相比，一个答案的作者，在这个线程上，认为“真的，这些在很久以前就已经名誉扫地了”，并提倡其他 2 种方法。我觉得没有资格理清这些论点，但我想问一下统计学家之间是否就这两种立场的优点达成了共识。
单变量异常值的测试：Dixon 和 Grubb 的方法是否被质疑？
机器算法验证
异常值
2022-03-21 02:39:43
2个回答
如果你陈述事实[1]，这个问题就会变得不那么有争议。毕竟，所有多元稳健估计程序的核心都是异常值检测算法，并且都会以某种形式或另一种形式输出可疑观察结果列表。换句话说，考虑到稳健的拟合，识别异常值原则上不是问题。
稳健估计方法和测试方法（Dixon，Grubbs）之间的主要区别在于后者最多可以维持一个异常值。相比之下，大多数最先进的稳健估计程序被设计为处理近 50% 的污染（原则上，它们可以调整为处理 0% 到近 50% 的异常值，以权衡计算成本的稳健性）。
[1] Rousseeuw PJ 和 Van Zomeren BC，揭示多元异常值和杠杆点。
我拒绝！早在 1980 年代，我就对 Dixon 的测试进行了研究。我看了一下那个帖子并在那里发表了评论。我认为存在混淆，因为稳健估计和异常值检测虽然相似，但目标不同，而且我认为有些人似乎认为，由于稳健性文献中没有提到异常值方法，所以它们有问题。我希望其他人会同意我回答这个问题。