Regression model

Ανθεκτική Απόσταση Mahalanobis

Η ανθεκτική απόσταση Mahalanobis επισημαίνει πολυμεταβλητές ακραίες τιμές μετρώντας πόσο μακριά βρίσκεται κάθε παρατήρηση από το κέντρο των δεδομένων, χρησιμοποιώντας μια ανθεκτική εκτίμηση συνδιακύμανσης. Βασίζεται στο πλαίσιο ανθεκτικής απόστασης των Rousseeuw και Van Zomeren (1990) και στην προσέγγιση ανίχνευσης πολυμεταβλητών ακραίων τιμών των Filzmoser, Garrett και Reimann (2005), αντικαθιστώντας τον κλασικό μέσο όρο και συνδιακύμανση με την εκτίμηση Ελαχίστου Πίνακα Συνδιακύμανσης (Minimum Covariance Determinant - MCD), ώστε οι ίδιες οι ακραίες τιμές να μην διαστρεβλώνουν την απόσταση.

Εφαρμογή με το StatMindΣύντομαΒίντεοΣύντομαDownload slides

Διαβάστε ολόκληρη τη μέθοδο

Μόνο για μέλη

Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.

Σύνδεση

Method map

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

Πηγές

  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

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 1). Robust Mahalanobis Distance (MCD-based Multivariate Outlier Detection). ScholarGate. https://scholargate.app/el/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)). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/statistics/mahalanobis-robust · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026