Módszerek összehasonlítása
Tekintse át a kiválasztott módszereket egymás mellett; az eltérő sorok kiemelve jelennek meg.
| M-becslők (Robuszt Regresszió)× | Legkisebb Nyesett Négyzetes (LTS) Regresszió× | |
|---|---|---|
| Tudományterület | Statisztika | Statisztika |
| Módszercsalád | Regression model | Regression model |
| Keletkezés éve≠ | 2009 | 1984 |
| Megalkotó≠ | Peter J. Huber | Peter J. Rousseeuw |
| Típus | Robust linear regression | Robust linear regression |
| Alapmű≠ | Huber, P. J., & Ronchetti, E. M. (2009). Robust Statistics (2nd ed.). Wiley. link ↗ | Rousseeuw, P. J. (1984). Least Median of Squares Regression. Journal of the American Statistical Association, 79(388), 871-880. DOI ↗ |
| Alternatív nevek≠ | m-estimation, huber regression, robust m-regression, M-Tahmin Ediciler | LTS, least trimmed squares regression, trimmed least squares, robust regression |
| Kapcsolódó | 5 | 5 |
| Összefoglaló≠ | M-estimators are a robust generalisation of maximum likelihood estimation, formalised in the work of Peter J. Huber (Huber & Ronchetti, 2009). Instead of squaring every residual, they apply a bounded loss function so that large residuals from outliers are down-weighted rather than allowed to dominate the fit. | Least Trimmed Squares is a robust linear regression method introduced by Peter J. Rousseeuw in 1984. Instead of fitting all residuals, it estimates the coefficients by minimising the sum of only the h smallest squared residuals, which gives it a breakdown point of up to 50% and reliable estimates on data heavily contaminated by outliers. |
| ScholarGateAdatkészlet ↗ |
|
|