เปรียบเทียบวิธี

	การถดถอยกำลังสองน้อยที่สุดสามัญ (OLS)	การถดถอยควอนไทล์	การประมาณค่าความแปรปรวนร่วมที่ทนทาน (MCD)
สาขาวิชา	เศรษฐมิติ	เศรษฐมิติ	สถิติศาสตร์
ตระกูล	Regression model	Regression model	Regression model
ปีกำเนิด	2019	1978	1999
ผู้ริเริ่ม	Wooldridge (textbook treatment); classical least squares	Koenker & Bassett	Rousseeuw; Rousseeuw & Van Driessen (Fast-MCD)
ประเภท	Linear regression	Conditional quantile regression	Robust multivariate location-scatter estimator
แหล่งต้นตำรับ	Wooldridge, J. M. (2019). Introductory Econometrics: A Modern Approach (7th ed.). Cengage Learning. ISBN: 978-1337558860	Koenker, R. & Bassett, G., Jr. (1978). Regression Quantiles. Econometrica, 46(1), 33-50.	Rousseeuw, P. J. & Van Driessen, K. (1999). A Fast Algorithm for the Minimum Covariance Determinant Estimator. Technometrics, 41(3), 212-223.
ชื่อเรียกอื่น	ordinary least squares, classical linear regression, linear regression, en küçük kareler regresyonu	conditional quantile regression, regression quantiles, Kantil Regresyon	minimum covariance determinant, MCD estimator, robust covariance estimation, Robust Kovaryans Tahmini (MCD)
ที่เกี่ยวข้อง	5	5	4
สรุป	Ordinary Least Squares is the classical linear regression method that explains a continuous outcome as a linear combination of predictors. It estimates the coefficients by minimising the sum of squared residuals, and under the Gauss-Markov assumptions these estimates are the best linear unbiased estimator (BLUE).	Quantile regression models conditional quantiles of an outcome - the median, the 25th or 75th percentile, and so on - rather than the conditional mean that OLS targets. Introduced by Koenker and Bassett in 1978, it reveals how predictors act across the whole distribution, including its tails.	Robust Covariance via the Minimum Covariance Determinant (MCD) estimates a multivariate mean vector and covariance matrix that are not distorted by outliers. It was made practical by the Fast-MCD algorithm of Rousseeuw and Van Driessen (1999), building on Rousseeuw's earlier work on robust estimation.