Régression de Huber
La régression de Huber est une méthode de régression linéaire robuste, introduite par Peter J. Huber en 1964, qui résiste à l'influence des valeurs aberrantes en traitant les résidus petits et grands différemment. Elle applique une perte quadratique (similaire aux moindres carrés ordinaires, MCO) aux petits résidus et une perte plus douce basée sur la valeur absolue aux grands résidus, de sorte que les observations extrêmes ne dominent pas l'ajustement.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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
Comment citer cette page
ScholarGate. (2026, June 1). Huber Robust Regression (M-estimation). ScholarGate. https://scholargate.app/fr/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.
- Régression par Moindres Carrés Trimés (LTS)Statistique↔ compare
- M-estimateurs (Régression Robuste)Statistique↔ compare
- Estimation MM pour la régression robusteStatistique↔ compare
- Régression par Moindres Carrés Ordinaires (MCO)Économétrie↔ compare
- Régression quantileÉconométrie↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →