Huber-Regression
Die Huber-Regression ist eine robuste lineare Regressionsmethode, die 1964 von Peter J. Huber eingeführt wurde und dem Einfluss von Ausreißern widersteht, indem sie kleine und große Residuen unterschiedlich behandelt. Sie wendet eine quadratische (OLS-ähnliche) Verlustfunktion für kleine Residuen und eine mildere Absolutwertfunktion für große Residuen an, sodass extreme Beobachtungen die Anpassung nicht dominieren können.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Huber, P. J. (1964). Robust Estimation of a Location Parameter. Annals of Mathematical Statistics, 35(1), 73-101. DOI: 10.1214/aoms/1177703732 ↗
- Hampel, F. R., Ronchetti, E. M., Rousseeuw, P. J., & Stahel, W. A. (1986). Robust Statistics: The Approach Based on Influence Functions. Wiley. ISBN: 978-0471735779
So zitieren Sie diese Seite
ScholarGate. (2026, June 1). Huber Robust Regression (M-estimation). ScholarGate. https://scholargate.app/de/statistics/huber-regression
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 Trimmed Squares (LTS)-RegressionStatistik↔ compare
- M-Schätzer (Robuste Regression)Statistik↔ compare
- MM-Schätzung für robuste RegressionStatistik↔ compare
- Methode der kleinsten Quadrate (OLS)Ökonometrie↔ compare
- Quantile RegressionÖkonometrie↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →