MM-estimering for robust regression
MM-estimatoren er en robust lineær regressionsmetode introduceret af Victor J. Yohai i 1987. Den kombinerer det høje breakdown point for en S-estimator med den høje effektivitet for en M-estimator, så den modstår outliers stærkt, samtidig med at den bruger data effektivt, når fejl er velafbalancerede.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Kilder
- Yohai, V. J. (1987). High Breakdown-Point and High Efficiency Robust Estimates for Regression. Annals of Statistics, 15(2), 642-656. DOI: 10.1214/aos/1176350366 ↗
- Koller, M. & Stahel, W. A. (2011). Sharpening Wald-type Inference in Robust Regression for Small Samples. Computational Statistics & Data Analysis, 55(8), 2504-2515. DOI: 10.1016/j.csda.2011.02.014 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 1). MM-Estimation for Robust Regression. ScholarGate. https://scholargate.app/da/statistics/mm-estimator
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.
- Least Median of Squares (LMS) RegressionStatistik↔ compare
- Mindste Trimmede Kvadraters (LTS) RegressionStatistik↔ compare
- Almindelig mindste kvadraters metode (OLS) regressionØkonometri↔ compare
- RANSAC-regressionStatistik↔ compare
- Theil-Sen EstimatorStatistik↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →