Regression model

Distància de Mahalanobis robusta

La distància de Mahalanobis robusta assenyala valors atípics multivariants mesurant la distància de cada observació al centre de les dades mitjançant una estimació de la covariància robusta. Es basa en el marc de la distància robusta de Rousseeuw i Van Zomeren (1990) i l'enfocament de detecció de valors atípics multivariants de Filzmoser, Garrett i Reimann (2005), substituint la mitjana i la covariància clàssiques per l'estimació del determinant mínim de la covariància (MCD) de manera que els mateixos valors atípics no distorsionin la distància.

Aplica-ho amb StatMindAviatVídeoAviatDownload slides

Llegeix el mètode complet

Només per a membres

Inicia la sessió amb un compte gratuït per llegir aquesta secció.

Inicia la sessió

Method map

The neighbourhood of related methods — select a node to explore.

Fonts

  1. Rousseeuw, P. J. & Van Zomeren, B. C. (1990). Unmasking Multivariate Outliers and Leverage Points. Journal of the American Statistical Association, 85(411), 633-639. DOI: 10.1080/01621459.1990.10474920
  2. Filzmoser, P., Garrett, R. G. & Reimann, C. (2005). Multivariate Outlier Detection in Exploration Geochemistry. Computational Statistics & Data Analysis, 49(2), 561-587. DOI: 10.1016/j.cageo.2004.11.013

Com citar aquesta pàgina

ScholarGate. (2026, June 1). Robust Mahalanobis Distance (MCD-based Multivariate Outlier Detection). ScholarGate. https://scholargate.app/ca/statistics/mahalanobis-robust

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side
ScholarGateRobust Mahalanobis Distance (Robust Mahalanobis Distance (MCD-based Multivariate Outlier Detection)). Recuperat el 2026-06-15 de https://scholargate.app/ca/statistics/mahalanobis-robust · Conjunt de dades: https://doi.org/10.5281/zenodo.20539026