رگرسیون هیوبر
رگرسیون هیوبر روشی قوی برای رگرسیون خطی است که توسط پیتر جی. هیوبر در سال ۱۹۶۴ معرفی شد و با رفتار متفاوت با باقیماندههای کوچک و بزرگ، در برابر تأثیر نقاط پرت مقاومت میکند. این روش برای باقیماندههای کوچک، زیان مربعی (مشابه OLS) و برای باقیماندههای بزرگ، زیان مقداری ملایمتری را اعمال میکند، بنابراین مشاهدات افراطی نمیتوانند برازش را تحت سلطه خود درآورند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 1). Huber Robust Regression (M-estimation). ScholarGate. https://scholargate.app/fa/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.
- رگرسیون حداقل مربعات هرسشده (LTS)آمار↔ compare
- تخمینگرهای M (رگرسیون مقاوم)آمار↔ compare
- برآوردگر MM برای رگرسیون استوارآمار↔ compare
- رگرسیون حداقل مربعات معمولی (OLS)اقتصادسنجی↔ compare
- رگرسیون کوانتایلاقتصادسنجی↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →