Mazākās apgrieztās kvadrātiskās kļūdas (LTS) regresija
Mazākās apgrieztās kvadrātiskās kļūdas (LTS) ir robusta lineārās regresijas metode, ko 1984. gadā ieviesa Pīters J. Rusēvs. Tā vietā, lai pielāgotu visus atlikumus, tā novērtē koeficientus, minimizējot tikai h mazāko kvadrātisko atlikumu summu, kas nodrošina sadalījuma punktu līdz 50% un uzticamus novērtējumus datiem, kas stipri piesārņoti ar ārkārtējām vērtībām.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Avoti
- Rousseeuw, P. J. (1984). Least Median of Squares Regression. Journal of the American Statistical Association, 79(388), 871-880. DOI: 10.1080/01621459.1984.10477105 ↗
- Rousseeuw, P. J., & Van Driessen, K. (2006). Computing LTS Regression for Large Data Sets. Data Mining and Knowledge Discovery, 12, 29-45. DOI: 10.1007/s10618-005-0024-4 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 1). Least Trimmed Squares (LTS) Regression. ScholarGate. https://scholargate.app/lv/statistics/least-trimmed-squares
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.
- Regresija ar mazāko kvadrātisko mediānu (LMS)Statistika↔ compare
- Parastā mazāko kvadrātu (OLS) regresijaEkonometrija↔ compare
- Kvantīļu regresijaEkonometrija↔ compare
- RANSAC regresijaStatistika↔ compare
- Teila-Senas novērtētājsStatistika↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →