Régression linéaire multiple robuste
La régression linéaire multiple robuste estime la relation linéaire entre une variable dépendante continue et plusieurs prédicteurs tout en étant résistante aux valeurs aberrantes et aux violations de l'hypothèse de normalité. Au lieu de minimiser la somme des carrés des résidus, elle utilise une fonction de perte bornée — le plus souvent celle de Huber ou la bisquare de Tukey — de sorte que les observations extrêmes n'exercent qu'une influence limitée sur les coefficients estimés.
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.
+1 more
Sources
- Huber, P. J. (1964). Robust estimation of a location parameter. Annals of Mathematical Statistics, 35(1), 73–101. DOI: 10.1214/aoms/1177703732 ↗
- Maronna, R. A., Martin, R. D., & Yohai, V. J. (2006). Robust Statistics: Theory and Methods. Wiley. ISBN: 978-0470010921
Comment citer cette page
ScholarGate. (2026, June 3). Robust Multiple Linear Regression. ScholarGate. https://scholargate.app/fr/statistics/robust-multiple-linear-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 LassoApprentissage automatique↔ compare
- Régression linéaire multipleStatistique↔ compare
- Régression par Moindres Carrés Ordinaires (MCO)Économétrie↔ compare
- Régression quantileÉconométrie↔ compare
- Régression RidgeApprentissage automatique↔ compare
- Régression RobusteStatistique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →