Robustās un kvantiļu metodes
18 metodes šajā saimē.
Izceltās
Heteroscedasticitātei izturīgi (HC) standartas kļūdasHeteroscedasticity-robust standard errors are a correction to the covariance matrix of an OLS regression that yields valid inference when the error variance is not constant. IntrodHjūbera regresijaHuber regression is a robust linear regression method, introduced by Peter J. Huber in 1964, that resists the influence of outliers by treating small and large residuals differentlMazākās apgrieztās kvadrātiskās kļūdas (LTS) regresijaLeast 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 tM-novērtēji (Robustā regresija)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, tMM-EstimatorThe MM-estimator is a robust linear regression method introduced by Victor J. Yohai in 1987. It combines the high breakdown point of an S-estimator with the high efficiency of an MKvantīļu regresija (neparametriskās variācijas)Quantile regression, introduced by Koenker and Bassett in 1978, models a chosen conditional quantile (such as the median or the 25th and 75th percentiles) of a continuous outcome r
Lasīšanas ceļš
Šīs tēmas visbiežāk citētās pamatmetodes to izstrādes secībā — vieta, kur sākt, ja esat šeit iesācējs.
Visas metodes 18
Heteroscedasticitātei izturīgi (HC) standartas kļūdasHjūbera regresijaMazākās apgrieztās kvadrātiskās kļūdas (LTS) regresijaM-novērtēji (Robustā regresija)MM-EstimatorKvantīļu regresija (neparametriskās variācijas)RANSAC regresijaRobusta skaidrojošā izpēteRobustais gradientu pastiprinājumsRobustais LightGBMRobustā lineārā regresijaRobustā kvantiļu regresijaRobustā regresijaRobustā regresijas pārtraukuma dizainsRobust XGBoostS-novērtētājs robustajai regresijaiTeila-Senas novērtētājsRobustās regresijas W-novērtētājs (Velsa / Tukija divkvadrāts)