M-kestekleri (Sağlam Doğrusal Regresyon)
M-Estimators (Robust Regression) · Ayrıca şöyle bilinir: m-estimation, huber regression, robust m-regression, M-Tahmin Ediciler
M-kestekleri, Peter J. Huber'in (Huber & Ronchetti, 2009) çalışmalarında biçimselleştirilmiş, en büyük olabilirlik kestiriminin sağlamsı genelleştirmeleridir. Her bir hatayı karesini almak yerine, aykırı değerlerden kaynaklanan büyük hataların baskın olmasına izin vermek yerine ağırlığını azaltan sınırlı bir kayıp fonksiyonu uygularlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Doğrusal bir ilişkiyi sürekli bir sonuca uydurduğunuzda ancak verilerde manuel olarak atmak istemediğiniz aykırı değerler olduğunda M-kestekçilerini kullanın. Hatalar kabaca simetrik olduğunda ve aykırı değerlerin oranı yaklaşık %25'i aşmadığında en iyi şekilde çalışırlar, makul bir örneklem büyüklüğü (en az yaklaşık 30 gözlem) ile. Öngörü uzayındaki yüksek kaldıraçlı noktalardan kaynaklanan kirlenme olduğunda — burada yüksek kırılma noktasına sahip bir yöntem, örneğin bir MM-kestekçisi gereklidir — veya aykırı değer oranı o kadar büyükse ki kırılma noktası aşılırsa uygun değildir.
Güçlü yönler & sınırlılıklar
- Gözlemleri elle silmeyi gerektirmeden sonuçtaki aykırı değerlerin ağırlığını azaltır.
- En büyük olabilirlik kestirimini genelleştirir, yorumlanabilir katsayılarla sıradan doğrusal regresyonla aynı ölçekte.
- Esnek kayıp fonksiyonları (Huber, Bisquare, Andrews), aşırı hataların ne kadar güçlü bir şekilde bastırılacağını ayarlamanıza olanak tanır.
- Öngörü uzayındaki kaldıraç noktaları varlığında yanıltıcıdır, burada bunun yerine yüksek kırılma noktasına sahip bir yöntem gereklidir.
- Aykırı değer oranı yaklaşık %25'in üzerine çıktığında kırılma noktası aşılır.
- Hataların simetrik olarak dağıldığını varsayar; çarpık hatalar sağlam kaybı zayıflatır.
SSS
Bir M-kestekçisi OLS'den nasıl farklıdır?
OLS, hataların kareleri toplamını en aza indirir, bu nedenle tek bir aykırı değer uyumu domine edebilir. Bir M-kestekçisi bunun yerine sınırlı bir kayıp fonksiyonunu en aza indirir, büyük hataları yumuşak bir şekilde ağırlığını azaltarak doğrunun verilerin çoğunluğunu takip etmesini sağlar.
Ağırlık fonksiyonları (Huber, Bisquare, Andrews) ne yapar?
Sağlam kaybı ρ tanımlarlar ve dolayısıyla hataların nasıl cezalandırılacağını belirlerler. Huber fonksiyonu büyük hataların ağırlığını nazikçe azaltırken, Bisquare ve Andrews çok aşırı hatalara esasen sıfır ağırlık verebilir. Seçim, verimlilik ile aykırı değerlere karşı direnç arasındaki dengeyi kontrol eder.
Bunun yerine ne zaman bir MM-kestekçisi kullanmalıyım?
Kirlenme öngörü uzayındaki kaldıraç noktalarından geldiğinde. M-kestekçileri orada yanıltıcı olabilir çünkü yüksek kırılma noktasına sahip değillerdir; bir MM-kestekçisi bu durumda güvenilir kalmak üzere tasarlanmıştır.
Bir M-kestekçisi ne kadar aykırı değere tolerans gösterebilir?
Kabaca gözlemlerin dörtte birine kadar. Aykırı değer oranı yaklaşık %25'i aştığında kırılma noktası aşılır ve kestirim güvenilmez hale gelir; bu durumda en az kırpılmış kareler gibi bir yöntem daha uygundur.
Kaynaklar
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). M-Estimators (Robust Regression). ScholarGate. https://scholargate.app/tr/statistics/m-estimator
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- En Az Kırpılmış Kareler (EAK) Regresyonuİstatistik↔ karşılaştır
- Sağlam Regresyon için MM-Tahminiİstatistik↔ karşılaştır
- En Küçük Kareler (EK) RegresyonuEkonometri↔ karşılaştır
- Kuantil RegresyonuEkonometri↔ karşılaştır
- Ridge Regression (Sırt Regresyonu)Makine öğrenmesi↔ karşılaştır