数据污染对于序贯分支方法的影响及应对策略

摘要：

序贯分支方法(sequential bifurcation,SB)因其高效性,近年来被广泛用于仿真试验的因子筛选研究中.然而,传统的序贯分支方法难以应对数据污染情形下的因子筛选问题,因此,本文结合稳健估计的方法改进了传统的序贯分支筛选过程,使其具有良好的抗异常值特性,解决了多种数据污染情形下的因子筛选问题.首先,分析仿真试验中可能出现的数据污染情形及其数据形式,并结合序贯分支方法的基本原理,量化不同数据污染情形对因子筛选结果所造成的影响;其次,采用稳健的位置和散度统计量改进了传统的序贯分支方法中的显著性检验过程,使因子筛选结果不受数据污染的影响;最后,通过仿真试验验证改进的序贯分支方法具有更好的抗异常值特性,同时,该方法在非数据污染下也不失一般性.

关键词：数据污染、仿真试验、因子筛选、序贯分支方法

所属期刊栏目：40

分类号：F273.2(企业经济)

资助基金：国家自然科学基金71931006,71871119,71702072,11901299

在线出版日期：2020-06-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：1281-1292