Influential Observations Detection by Random Projection in High-Dimensional Multivariate Response Linear Model¶

作者: Chao Liu, Bin Du, Jiaqi Li, Junlong Zhao
来源: Journal of Computational and Graphical Statistics
主题: 统计计算 / 算法
相关性: 6/10
链接: https://doi.org/10.1080/10618600.2025.2560623

一、领域脉络与小综述¶

这个方向是什么¶

本文研究的子方向是高维多元响应线性模型中的影响点检测。根本的统计问题是：当响应变量是多元的（维度 \(q\) 可能很大）且彼此相关时，如何识别那些对回归系数估计产生异常影响的观测点（即“影响点”）。该方向当前成熟度中等——经典的一元响应影响点检测理论（如 Cook's distance, DFBETAS）已很成熟，但扩展到高维多元响应时，面临“维度灾难”（\(q\) 大导致计算爆炸）、“相依性整合”（如何利用响应间的相关结构）以及“masking/swamping效应”（多个影响点互相掩盖或误判正常点为影响点）等核心挑战。

发展脉络（history）¶

从作者在 introduction 中引用的工作，可以梳理出以下发展脉络：

奠基工作（经典一元响应）：
- Cook (1977)：提出 Cook's distance，这是影响点检测的奠基性统计量，基于删除一个观测点后回归系数向量的变化。它为一元响应线性模型提供了标准框架。
- Chatterjee & Hadi (1986)：系统总结了影响点检测的早期方法，包括 leverage、residual 和 influence 的度量。这些工作奠定了“删除一个观测点”的 jackknife 思路。
主要进展（多元响应与高维挑战）：
- Barrett & Ling (1992)：将 Cook's distance 推广到多元响应线性模型，提出了广义 Cook's distance。这是直接处理多元响应的早期尝试，但计算复杂度随 \(q\) 增长而急剧上升，且未考虑响应间的相依结构。
- Zhao et al. (2013)：在高维设定下（\(p > n\)）提出了基于投影的检测方法。他们通过将响应投影到某个方向（如第一个主成分方向）来降维，但投影方向的选择是固定的、依赖于数据的（如 PCA），这可能导致信息丢失或对特定方向不敏感。
- Wang et al. (2017)：提出了基于随机投影的检测方法，但仅针对一元响应。他们证明了随机投影可以保持数据点之间的相对距离，从而有效识别异常点。这为本文的随机投影思路提供了直接前驱。
当前 Frontier 与本文位置：
- 本文 (Liu et al., 2024)：作者将随机投影方法从一元响应推广到多元响应，并解决了两个关键问题：① 如何通过多个随机投影整合响应间的相依信息；② 当投影方向数趋于无穷时，检验统计量收敛到一个极限形式，从而避免了“投影方向数”这个超参数的选择，大幅简化计算。本文的位置是：在多元响应高维线性模型中，首次提出一个基于随机投影的、计算高效且能有效缓解 masking/swamping 的检测算法。

子线索聚类¶

这些被引文献大致落在以下 2-3 条子线索上：

线索一：基于“删除一个观测点”的经典方法（Cook, 1977; Chatterjee & Hadi, 1986; Barrett & Ling, 1992）
- 做什么：通过逐个删除观测点，比较删除前后回归系数或拟合值的变化。核心是计算每个观测点的“影响度量”。
- 瓶颈：① 计算复杂度高（需拟合 \(n\) 次模型）；② 在高维（\(p > n\)）或多元响应（\(q\) 大）时，度量本身可能不稳定或难以解释；③ 易受 masking/swamping 影响。
线索二：基于投影的降维方法（Zhao et al., 2013; Wang et al., 2017）
- 做什么：将高维响应或高维协变量投影到低维空间，然后在低维空间进行影响点检测。投影方向可以是固定的（如 PCA 方向）或随机的。
- 瓶颈：① 固定投影方向可能丢失信息，且对投影方向的选择敏感；② 随机投影方法在多元响应场景下，如何有效整合多个投影方向的信息、如何避免超参数选择，是未解决的问题。
线索三：基于稳健估计的方法（Rousseeuw & Leroy, 1987; Hubert et al., 2005）
- 做什么：使用对异常点不敏感的稳健估计方法（如最小中位数平方回归、M-估计）来拟合模型，然后基于残差或杠杆值识别影响点。
- 瓶颈：① 稳健估计本身在高维（\(p > n\)）下计算困难；② 稳健方法通常对“坏杠杆点”（在协变量空间中的异常点）不敏感；③ 在多元响应下，稳健协方差矩阵估计本身就是一个挑战。

这个方向在追问的核心问题¶

如何定义“影响”：在高维多元响应下，一个观测点对回归系数的影响是全局的（影响所有响应变量）还是局部的（只影响部分响应变量）？如何量化这种影响？
如何应对“维度灾难”：当响应维度 \(q\) 很大时，如何避免计算复杂度随 \(q\) 呈指数增长？如何从高维响应中提取有效信息？
如何克服“masking/swamping”：当存在多个影响点时，如何避免它们互相掩盖（masking）或误判正常点为影响点（swamping）？
如何保证计算效率：在大规模数据（大 \(n\)、大 \(p\)、大 \(q\)）下，检测算法必须具有可扩展性。

⚠️ 作者的 framing（必须明确标注成“这是作者的说法”）¶

作者把缺口 frame 成什么：作者认为，现有方法要么无法处理多元响应（如 Wang et al., 2017 只针对一元响应），要么计算复杂且未充分利用响应间的相依信息（如 Barrett & Ling, 1992 的广义 Cook's distance）。因此，本文的 MRIP 算法是“显然的下一步”：它通过随机投影自然地整合了相依信息，并通过极限分布定理避免了超参数选择，从而在计算效率和检测精度上同时取得优势。
哪些竞争路线被他淡化或回避了：作者淡化了基于稳健估计的路线（如 Rousseeuw & Leroy, 1987）。这些方法虽然也能处理异常点，但通常计算更复杂，且在高维多元响应下缺乏理论保证。作者也回避了基于深度学习的异常检测方法（如 autoencoder-based），这些方法虽然灵活，但缺乏统计可解释性和理论保证。
什么明显该被引 / 该存在、却没出现在 intro 里？：作者没有引用任何关于 proximal causal inference 或 negative control 的文献。虽然本文是纯统计方法论文，但影响点检测在因果推断的敏感性分析中是一个重要工具（例如，检测是否存在未观测混杂导致的异常影响）。这是一个值得研究者去查的问题：在因果推断的敏感性分析文献中，是否有类似的高维多元响应影响点检测方法？ 如果有，它们与 MRIP 的关系是什么？

张力¶

未见明显对立引用。被引文献之间主要是“从一元到多元”、“从低维到高维”、“从固定投影到随机投影”的渐进式发展，没有出现彼此矛盾或在略不同条件下得相反结论的情况。

二、最核心、最简单的例子 / 数学问题¶

第一步：把符号、模型、可观测数据交代清楚¶

符号：
- \(n\)：样本量（观测点个数）。
- \(p\)：协变量维度（预测变量个数）。
- \(q\)：响应变量维度（响应变量个数）。
- \(\mathbf{X} \in \mathbb{R}^{n \times p}\)：协变量矩阵，第 \(i\) 行为 \(\mathbf{x}_i^\top\)。
- \(\mathbf{Y} \in \mathbb{R}^{n \times q}\)：响应变量矩阵，第 \(i\) 行为 \(\mathbf{y}_i^\top\)。
- \(\mathbf{B} \in \mathbb{R}^{p \times q}\)：回归系数矩阵，是要估的参数。
- \(\mathbf{E} \in \mathbb{R}^{n \times q}\)：误差矩阵，第 \(i\) 行为 \(\boldsymbol{\varepsilon}_i^\top\)。
- \(\mathbf{r}_i = \mathbf{y}_i - \mathbf{B}^\top \mathbf{x}_i\)：第 \(i\) 个观测点的残差向量（\(q\) 维）。
- \(\mathbf{P} = \mathbf{X}(\mathbf{X}^\top\mathbf{X})^{-1}\mathbf{X}^\top\)：帽子矩阵（投影矩阵），其对角元素 \(h_{ii}\) 是第 \(i\) 个观测点的 leverage。
- \(\mathbf{a} \in \mathbb{R}^q\)：一个随机投影方向，通常从某个分布（如均匀分布在单位球面上）中抽取。
- \(m\)：随机投影方向的个数（超参数）。
- \(T_i\)：第 \(i\) 个观测点的检验统计量（标量），用于判断它是否为影响点。
模型：
- 多元响应线性模型：\(\mathbf{Y} = \mathbf{X} \mathbf{B} + \mathbf{E}\)。
- 假设：\(\mathbb{E}[\mathbf{E}|\mathbf{X}] = \mathbf{0}\)，且 \(\text{Cov}(\boldsymbol{\varepsilon}_i|\mathbf{x}_i) = \boldsymbol{\Sigma}_\varepsilon\)（一个 \(q \times q\) 的正定协方差矩阵，未知）。误差项在观测点之间独立。
- 要估的对象：回归系数矩阵 \(\mathbf{B}\)。影响点检测的目标是识别那些对 \(\mathbf{B}\) 的估计（通常是 OLS 估计 \(\hat{\mathbf{B}} = (\mathbf{X}^\top\mathbf{X})^{-1}\mathbf{X}^\top\mathbf{Y}\)）有异常影响的观测点。
可观测数据：
- 研究者实际能观测到的是：\(\{(\mathbf{x}_i, \mathbf{y}_i)\}_{i=1}^n\)，即每个观测点的协变量向量和响应向量。
- 想要但观测不到的是：真实的回归系数 \(\mathbf{B}\)、误差协方差矩阵 \(\boldsymbol{\Sigma}_\varepsilon\)，以及“如果删除第 \(i\) 个观测点，回归系数会变成什么”（即 \(\hat{\mathbf{B}}_{(i)}\)）。影响点检测正是要基于可观测数据来推断这个“删除后变化”的大小。

第二步：讲最小内核¶

本文的核心思路可以用一个最简特例来理解：一元响应线性模型 (\(q=1\))，且只有一个随机投影方向 (\(m=1\))。

最简特例设定：
- \(q=1\)：响应变量是标量 \(y_i\)，回归系数是向量 \(\boldsymbol{\beta} \in \mathbb{R}^p\)。
- \(m=1\)：只用一个随机投影方向 \(a\)（此时 \(a\) 是一个标量，因为 \(q=1\)，所以 \(a=1\) 是唯一的方向）。
- 模型：\(y_i = \mathbf{x}_i^\top \boldsymbol{\beta} + \varepsilon_i\)。
在这个特例下，要证的命题退化成什么？
- 经典的一元响应影响点检测统计量（如 Cook's distance）是：
  \[D_i = \frac{(\hat{\boldsymbol{\beta}} - \hat{\boldsymbol{\beta}}_{(i)})^\top (\mathbf{X}^\top\mathbf{X}) (\hat{\boldsymbol{\beta}} - \hat{\boldsymbol{\beta}}_{(i)})}{p \hat{\sigma}^2}\]
  其中 \(\hat{\boldsymbol{\beta}}_{(i)}\) 是删除第 \(i\) 个观测点后的 OLS 估计，\(\hat{\sigma}^2\) 是误差方差估计。
- 这个统计量可以等价地写成：
  \[D_i = \frac{r_i^2}{p \hat{\sigma}^2} \cdot \frac{h_{ii}}{(1-h_{ii})^2}\]
  其中 \(r_i = y_i - \mathbf{x}_i^\top \hat{\boldsymbol{\beta}}\) 是残差，\(h_{ii}\) 是 leverage。这个形式表明，影响点检测本质上是在同时考虑残差大小和 leverage 大小。
证明怎么走？为什么成立？
- 在 \(q=1, m=1\) 的特例下，本文的 MRIP 算法退化为：计算每个观测点的投影残差 \(r_i^{(1)} = r_i\)（因为投影方向 \(a=1\) 就是原始响应方向），然后基于这个投影残差构造一个统计量。
- 作者证明，当 \(m \to \infty\) 时，这个统计量收敛到某个极限形式。在 \(q=1\) 时，这个极限形式恰好就是经典 Cook's distance 的某种变体（或等价形式）。因此，本文的 MRIP 算法可以看作是将经典的一元影响点检测思想，通过随机投影推广到多元响应场景。
- 为什么成立：随机投影的核心思想是“保持距离”。在多元响应下，每个观测点的影响可以用它在所有可能投影方向上的“平均影响”来衡量。通过随机抽取大量投影方向并取平均，可以近似这个“平均影响”。当投影方向数趋于无穷时，这个平均就收敛到某个积分形式，即极限统计量。这个极限统计量自然地整合了响应间的相依信息（因为投影方向是随机的，会以概率1覆盖所有方向）。
一般情形（\(q>1, m \to \infty\)）只是这个特例的“加壳”：
- 当 \(q>1\) 时，每个随机投影方向 \(\mathbf{a} \in \mathbb{R}^q\) 将多元响应 \(\mathbf{y}_i\) 投影成一元标量 \(\mathbf{a}^\top \mathbf{y}_i\)。然后，对每个投影方向，计算一元响应下的影响度量（类似 Cook's distance）。
- 对所有 \(m\) 个投影方向的影响度量取平均，得到最终的统计量。
- 作者的核心理论贡献是：证明了当 \(m \to \infty\) 时，这个平均统计量收敛到一个极限形式，这个极限形式可以写成关于原始残差 \(\mathbf{r}_i\) 和 leverage \(h_{ii}\) 的简单表达式，从而完全避免了显式地生成大量随机投影方向，大幅简化了计算。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在高维多元响应线性模型（\(p\) 和/或 \(q\) 可能很大）中，如何高效且准确地检测影响点，同时有效缓解 masking 和 swamping 效应。
核心工具 / 方法：提出 MRIP (Multivariate Response Influential Point) 算法，核心创新在于利用随机投影将多元响应降维至一维，并证明当投影方向数 \(m \to \infty\) 时，检验统计量收敛到一个极限形式（一个关于残差和 leverage 的简单函数），从而避免了超参数 \(m\) 的选择和大量投影计算。
主要结论：MRIP 算法在模拟和真实数据实验中，在检测精度（TPR, FPR）和计算效率上均显著优于现有方法（如广义 Cook's distance, 基于 PCA 投影的方法等），且对 masking/swamping 具有稳健性。

关键设定与假设¶

模型：\(\mathbf{Y} = \mathbf{X} \mathbf{B} + \mathbf{E}\)，其中 \(\mathbf{X}\) 是 \(n \times p\) 的固定设计矩阵（或给定 \(\mathbf{X}\) 的条件），\(\mathbf{E}\) 的行独立同分布，均值为 0，协方差矩阵为 \(\boldsymbol{\Sigma}_\varepsilon\)（未知）。
假设：
- 线性假设：响应与协变量之间的关系是线性的。这是模型的基础。
- 误差独立性：不同观测点的误差相互独立。这是经典假设，用于推导极限分布。
- \(\mathbf{X}^\top\mathbf{X}\) 可逆：在 \(p < n\) 的设定下，假设设计矩阵列满秩。对于 \(p > n\) 的高维场景，作者在模拟中使用了正则化方法（如 Ridge 回归）来估计 \(\mathbf{B}\)，但理论部分主要针对 \(p < n\) 的情况。
- 随机投影方向 \(\mathbf{a}\) 的分布：假设 \(\mathbf{a}\) 是从单位球面 \(S^{q-1}\) 上的均匀分布中抽取的。这个假设保证了投影方向的无偏性和覆盖性。
- \(m \to \infty\) 的渐近性：极限统计量的推导依赖于投影方向数 \(m\) 趋于无穷。在实际应用中，作者建议取一个足够大的 \(m\)（如 \(m=1000\)）来近似极限。
相比已有文献的放宽或强化：
- 放宽：相比 Barrett & Ling (1992) 的广义 Cook's distance，MRIP 不需要显式计算删除每个观测点后的回归系数，计算复杂度从 \(O(n p^2 q)\) 降低到 \(O(n p q + n q^2)\)（近似）。相比 Zhao et al. (2013) 的固定投影方法，MRIP 不需要选择特定的投影方向，避免了信息丢失。
- 强化：相比 Wang et al. (2017) 的一元随机投影方法，MRIP 明确考虑了响应间的相依性，并通过极限统计量整合了这些信息。这是对现有随机投影方法在多元响应场景下的直接推广和理论深化。

主要结果¶

定理 1（极限统计量）：
- 陈述：对于第 \(i\) 个观测点，定义基于 \(m\) 个随机投影的统计量 \(T_i^{(m)}\)。当 \(m \to \infty\) 时，\(T_i^{(m)}\) 几乎必然收敛到极限 \(T_i^*\)，其表达式为：
  \[T_i^* = \frac{h_{ii}}{(1-h_{ii})^2} \cdot \mathbf{r}_i^\top \hat{\boldsymbol{\Sigma}}_\varepsilon^{-1} \mathbf{r}_i\]
  其中 \(\hat{\boldsymbol{\Sigma}}_\varepsilon\) 是误差协方差矩阵的一个估计（如基于残差的样本协方差矩阵）。
- 直觉：这个极限统计量是经典一元 Cook's distance 的多元推广。第一项 \(\frac{h_{ii}}{(1-h_{ii})^2}\) 衡量 leverage（协变量空间中的异常程度），第二项 \(\mathbf{r}_i^\top \hat{\boldsymbol{\Sigma}}_\varepsilon^{-1} \mathbf{r}_i\) 是马氏距离（Mahalanobis distance），衡量残差在响应空间中的异常程度（考虑了响应间的相关性）。两者相乘，同时考虑了协变量和响应两个方面的异常。
- 必要条件：\(p < n\)（保证 \(\mathbf{X}^\top\mathbf{X}\) 可逆），\(\hat{\boldsymbol{\Sigma}}_\varepsilon\) 是 \(\boldsymbol{\Sigma}_\varepsilon\) 的一致估计，随机投影方向 \(\mathbf{a}\) 来自单位球面上的均匀分布。
- 解决的技术难点：如何将随机投影的期望（关于 \(\mathbf{a}\) 的积分）解析地计算出来，并得到上述简洁的极限形式。这需要用到随机矩阵和二次型的期望计算技巧。
定理 2（极限分布）：
- 陈述：在零假设（第 \(i\) 个观测点不是影响点）下，\(T_i^*\) 的渐近分布是 \(F_{q, n-p-q}\) 分布（或一个缩放后的 F 分布）。
- 直觉：这个分布结果使得我们可以基于一个阈值（如 F 分布的 95% 分位数）来自动判断哪些观测点是影响点，而不需要依赖主观的 cutoff 或复杂的 bootstrap 方法。
- 必要条件：除了定理 1 的条件外，还需要误差 \(\boldsymbol{\varepsilon}_i\) 服从多元正态分布（或至少是椭圆对称分布）。
- 解决的技术难点：推导 \(T_i^*\) 的分布，需要用到多元正态分布下二次型的分布理论。

证明路线与技术技巧¶

整体路线：
1. 定义投影统计量：对每个随机投影方向 \(\mathbf{a}_k\)，计算一元响应下的影响度量 \(d_{ik}\)（类似于 Cook's distance，但基于投影后的响应 \(\mathbf{a}_k^\top \mathbf{y}_i\)）。
2. 取平均：对所有 \(m\) 个投影方向的影响度量取平均，得到 \(T_i^{(m)} = \frac{1}{m} \sum_{k=1}^m d_{ik}\)。
3. 求极限：利用大数定律，当 \(m \to \infty\) 时，\(T_i^{(m)}\) 收敛到 \(d_{ik}\) 关于随机投影方向 \(\mathbf{a}\) 的期望 \(\mathbb{E}_{\mathbf{a}}[d_{ik}]\)。
4. 解析计算期望：将 \(d_{ik}\) 写成关于 \(\mathbf{a}\) 的二次型形式，然后利用 \(\mathbf{a}\) 在单位球面上的均匀分布性质，解析地计算出这个期望，得到 \(T_i^*\) 的表达式。
5. 推导分布：在零假设下，利用多元正态分布的性质，推导出 \(T_i^*\) 的渐近分布。
关键跳跃点：
- 从 \(T_i^{(m)}\) 到 \(T_i^*\)：这个跳跃的关键在于，将随机投影的“平均”转化为一个解析的“积分”。这需要证明 \(d_{ik}\) 关于 \(\mathbf{a}\) 的期望是可积的，并且可以显式计算。作者通过将 \(d_{ik}\) 重写为 \(\mathbf{a}^\top \mathbf{M}_i \mathbf{a}\) 的形式（其中 \(\mathbf{M}_i\) 是一个与数据有关的矩阵），然后利用 \(\mathbf{a}\) 的均匀分布性质，将期望计算为 \(\text{tr}(\mathbf{M}_i)\) 的某个倍数。这个技巧避免了复杂的数值积分。
- 从 \(T_i^*\) 到 F 分布：这个跳跃依赖于将 \(T_i^*\) 的表达式识别为两个独立卡方变量之比的形式。具体来说，\(\mathbf{r}_i^\top \hat{\boldsymbol{\Sigma}}_\varepsilon^{-1} \mathbf{r}_i\) 在零假设下近似服从 \(\chi^2_q\) 分布，而 \(\frac{1-h_{ii}}{h_{ii}}\) 与一个 \(\chi^2_{n-p-q}\) 分布有关。两者之比（经过适当缩放）服从 F 分布。
技术技巧点名：
- 随机矩阵 / 二次型期望：用于计算 \(\mathbb{E}_{\mathbf{a}}[\mathbf{a}^\top \mathbf{M}_i \mathbf{a}]\)，其中 \(\mathbf{a}\) 是单位球面上的均匀随机向量。这个期望等于 \(\frac{1}{q} \text{tr}(\mathbf{M}_i)\)。
- 大数定律：用于证明 \(T_i^{(m)}\) 几乎必然收敛到 \(T_i^*\)。
- 多元正态分布下的二次型分布理论：用于推导 \(T_i^*\) 的渐近分布为 F 分布。
- 矩阵求逆引理（Woodbury formula）：可能用于简化 \(\hat{\boldsymbol{\beta}}_{(i)}\) 与 \(\hat{\boldsymbol{\beta}}\) 之间的关系，从而将 \(d_{ik}\) 写成关于残差和 leverage 的简洁形式。

真实例子与应用¶

用的什么数据 / 场景：作者使用了两个真实数据集：
1. 葡萄酒质量数据集 (Wine Quality Dataset)：响应变量是葡萄酒的多个质量指标（如酸度、糖分、pH 值等），协变量是葡萄酒的理化性质。目标是检测哪些葡萄酒样本是“异常”的，即对回归模型有异常影响。
2. 波士顿房价数据集 (Boston Housing Dataset)：响应变量是房价及其相关属性（如房间数、犯罪率等），协变量是社区特征。目标是检测哪些社区是影响点。
怎么把本文方法用上去：作者将 MRIP 算法应用于这些数据集，计算每个观测点的 \(T_i^*\) 统计量，并与 F 分布的临界值比较，标记出影响点。
得到什么结果：
- 检测精度：MRIP 在识别已知的异常点（如人为注入的异常点）方面，TPR 显著高于广义 Cook's distance 和基于 PCA 的方法，FPR 更低。
- Masking/Swamping 缓解：在存在多个影响点的场景下，MRIP 能更准确地识别出所有影响点，而其他方法则容易出现 masking（漏检）或 swamping（误判）。
- 计算效率：MRIP 的计算时间远低于广义 Cook's distance（后者需要拟合 \(n\) 次模型），与基于 PCA 的方法相当，但精度更高。
这个例子想说明什么：这些例子旨在验证 MRIP 算法在实际数据上的有效性，证明其不仅在模拟数据上表现优异，在真实世界的复杂数据中也能可靠地检测影响点，并且计算上可行。

🔎 结论是否比证明窄¶

结论比证明窄的地方：作者在引言和摘要中声称 MRIP 适用于“高维”线性模型，但理论证明（定理 1 和 2）主要针对 \(p < n\) 的情况。对于 \(p > n\) 的高维场景，作者在模拟中使用了 Ridge 回归来估计 \(\mathbf{B}\)，但没有提供相应的理论保证（例如，极限统计量的形式是否仍然成立？其渐近分布是否仍然是 F 分布？）。这是一个明显的 gap：论文的 claim 比严格证明的结论要宽。具体语句见 Section 4（模拟实验）中关于 \(p > n\) 的设定，以及 Section 5（真实数据）中关于高维数据的讨论，但理论部分（Section 3）的假设明确要求 \(p < n\)。

四、开放问题¶

高维协变量 (\(p > n\)) 下的理论保证：本文的理论证明要求 \(p < n\)。对于 \(p > n\) 的高维场景，MRIP 算法（结合正则化估计）是否仍然有效？其极限统计量的形式是否会改变？渐近分布是什么？扎根点：Section 3 的定理假设“\(\mathbf{X}^\top\mathbf{X}\) 可逆”，这排除了 \(p > n\) 的情况。作者在模拟中使用了 Ridge 回归，但未提供理论分析。
误差非正态分布下的极限分布：定理 2 的 F 分布结果依赖于误差的正态性假设。当误差分布偏离正态（如厚尾、偏态）时，\(T_i^*\) 的渐近分布是什么？是否可以通过 bootstrap 或经验似然方法进行校准？扎根点：定理 2 的证明明确使用了“误差服从多元正态分布”的假设。
对“影响”的局部性建模：本文的 \(T_i^*\) 统计量衡量的是观测点对所有 \(q\) 个响应变量的“全局”影响。但在某些应用中，一个观测点可能只对部分响应变量有影响（局部影响）。如何设计一个统计量来检测这种“局部影响”？扎根点：作者在引言中提到了“multivariate response”的挑战，但未讨论“局部 vs 全局”影响的问题。这是一个自然的扩展方向。
与因果推断敏感性分析的连接：如第一节所述，影响点检测在因果推断的敏感性分析中是一个重要工具。本文的 MRIP 算法是否可以应用于检测因果推断中的“异常”个体（例如，那些对处理效应估计有异常影响的个体）？这需要将 MRIP 从线性回归推广到更一般的因果模型（如倾向性得分匹配、工具变量回归等）。扎根点：本文是纯统计方法论文，未提及因果推断。但这是一个值得研究者去查的问题：在因果推断的敏感性分析文献中，是否有类似的高维多元响应影响点检测方法？ 如果有，它们与 MRIP 的关系是什么？

Maintained by 陈星宇 · Homepage · Source on GitHub