MM-Estimation for Robust Regression
Parastā mazāko kvadrātu metode ļauj dažiem ekstrēmiem punktiem novirzīt pielāgoto līniju prom no datu kopuma. MM-novērtējs pret to sargā divos soļos: vispirms tas atrod aptuvenu pielāgojumu ar augstu noturību pret ārkārtas vērtībām un robustu kļūdu skalu, pēc tam tas precizē šo pielāgojumu, samazinot novērojumu svaru ar lieliem atlikumiem, lai nekontrolējamas vērtības zaudētu savu ietekmi. Rezultāts ir līnija, kas seko datu vairākumam pat tad, ja puse no tiem ir piesārņoti, tomēr saglabā gandrīz tikpat lielu efektivitāti kā mazāko kvadrātu metode, ja dati ir tīri.
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
- Yohai, V. J. (1987). High Breakdown-Point and High Efficiency Robust Estimates for Regression. Annals of Statistics, 15(2), 642-656. DOI: 10.1214/aos/1176350366 ↗
- Koller, M. & Stahel, W. A. (2011). Sharpening Wald-type Inference in Robust Regression for Small Samples. Computational Statistics & Data Analysis, 55(8), 2504-2515. DOI: 10.1016/j.csda.2011.02.014 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 1). MM-Estimation for Robust Regression. ScholarGate. https://scholargate.app/lv/statistics/mm-estimator
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
- Mazākās apgrieztās kvadrātiskās kļūdas (LTS) regresijaStatistika↔ compare
- Parastā mazāko kvadrātu (OLS) regresijaEkonometrija↔ compare
- RANSAC regresijaStatistika↔ compare
- Teila-Senas novērtētājsStatistika↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →