有些文本告诉你，库克距离大于 1 的点被认为是有影响的。其他文本为您提供或的阈值，其中是观察数，是解释变量数。在您的情况下，后一个公式应该产生大约 0.1 的阈值。$4/N$$4/(N - k - 1)$$N$$k$

John Fox (1) 在他关于回归诊断的小册子中，在给出数值阈值时相当谨慎。他建议使用图形，并更仔细地检查“D 值远大于其他值”的点。根据 Fox 的说法，阈值应该只用于增强图形显示。

在你的情况下，观察 7 和 16 可以被认为是有影响的。好吧，我至少会仔细看看它们。观察结果 29 与其他几个观察结果没有本质区别。

(1) 福克斯，约翰。(1991)。回归诊断：简介。圣人出版物。

对@lejohn 和@whuber +1。我想稍微扩展一下@whuber 的评论。库克的距离可以与 dfbeta 进行对比。库克的距离是指，如果从数据集中删除所讨论的观察值，预测的 y 值平均会移动多远。dfbeta 指的是如果从数据集中删除所讨论的观察值，参数估计会发生多大的变化。请注意，对于个协变量，将有dfbeta（截距，和每个协变量的1 个如果您进行预测建模，Cook 距离可能对您更重要，而 dfbeta 在解释性建模中更重要。 $k$$k+1$$\beta_0$$\beta$

这里还有一点值得说明。在观察性研究中，通常很难在预测变量空间中进行均匀采样，并且在给定区域中可能只有几个点。这些点可能与其他点不同。有一些不同的案例可能会令人不安，但在被降级为异常值之前值得深思熟虑。预测变量之间可能存在合理的相互作用，或者当预测变量值变得极端时，系统可能会转变为不同的行为。此外，它们可能能够帮助您解开共线预测变量的影响。有影响力的观点可能是因祸得福。