1. Cook距离：这是最常用的统计量之一，用于衡量每个观测值对模型整体拟合度的影响。Cook距离大于某个阈值（通常是2k/n或4/(nk1)，其中k是参数数量，n是样本量）的观测点被认为是强影响点。它考虑了观测点对回归系数估计和残差平方和的影响。

计量模型中的影响点识别方法

2. DFITS（删除残差标准化预测）：这个统计量衡量了删除某个观测点后，回归系数的变化程度。较大的DFITS值表明该观测点对模型有显著影响。

3. DFBETA：用于评估每个观测点对每个回归系数估计值的影响。如果某个DFBETA的绝对值超过2/sqrt(n)，则认为该点对相应系数有显著影响。

4. 变量添加图（Added Variable Plot, AVP）：通过观察每个变量的残差与该变量的关系图，可以肉眼判断是否存在影响点。异常的模式可能指示影响点的存在。

5. 高维数据下的影响点检测：对于自变量个数远超样本量的高维数据，经典方法可能不适用。近年来发展了新的方法来适应这种情况，这些方法扩展了Cook距离的概念，以识别在高维度下对模型有显著影响的点。

处理影响点的策略通常包括：

删除影响点：如果确认某个观测点是强影响点且没有合理的解释，可以考虑从数据集中删除它，然后重新进行模型拟合。但这一做法需谨慎，因为可能丢失重要信息。

使用稳健回归：当存在影响点时，采用稳健回归模型（如稳健最小二乘法）可以减少个别极端值对模型的影响。

模型修正：考虑模型的复杂性，增加或减少变量，或者尝试不同的回归类型（如分位数回归、GMM估计等），以更好地适应数据特性。

探索性数据分析：深入分析影响点背后的原因，可能发现数据收集中的错误或有趣的异常现象。

识别和处理影响点是确保计量模型准确反映数据关系的关键步骤，需要综合考虑统计指标和实际背景，采取合适的方法来优化模型。