Sağlam Regresyon için MM-Tahmini
MM-Estimation for Robust Regression · Ayrıca şöyle bilinir: MM-estimation, MM robust regression, high-breakdown high-efficiency estimator, MM-Tahmin Edici
MM-tahmincisi, Victor J. Yohai tarafından 1987'de tanıtılan sağlam bir doğrusal regresyon yöntemidir. Bir S-tahmincisinin yüksek kırılma noktasını bir M-tahmincisinin yüksek verimliliğiyle birleştirir, böylece aykırı değerlere karşı güçlü bir direnç gösterirken, hatalar iyi davrandığında verileri verimli bir şekilde kullanır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+2 tane daha
Ne zaman kullanılır
Yanıt değişkenindeki aykırı değerlerin varlığında güvenilir kalan doğrusal regresyon katsayıları istediğinizde MM-tahminini kullanın. Yaklaşık olarak doğrusal bir modele ve makul bir örneklem büyüklüğüne (en az yaklaşık 30 gözlem) sahip sürekli çıktılar için uygundur ve yaklaşık %50'ye kadar kirlenme oranına tolerans gösterir. Aykırı değerlerden şüpheleniyor ancak verilerin temiz kısmında OLS'ye yakın verimlilik istiyorsanız tercih edilen yöntemdir. Yakınsama garantilerinin zayıfladığı çok küçük örneklemler için veya açıklayıcı değişkenlerdeki yüksek kaldıraç noktaları başlangıçtaki S-aşamasının dikkatli bir şekilde ayarlanmasını gerektirdiğinde daha az uygundur.
Güçlü yönler & sınırlılıklar
- Yüksek kırılma noktasını (yaklaşık %50'ye kadar aykırı değerlere tolerans gösterir) temiz verilerde OLS'ye yakın yüksek istatistiksel verimlilikle birleştirir.
- Sınırlı, yeniden azalan kayıp, aşırı artıkların uyumu domine etmek yerine etkilerini kaybetmesi anlamına gelir.
- En küçük kareler yöntemine göre kirlenmeye karşı çok daha dirençli kalırken yorumlanabilir doğrusal regresyon katsayıları üretir.
- Çok küçük örneklemlerde (n < 20) yakınsama garantileri zayıflar; bu durumda daha basit bir sağlam yöntem daha güvenli olabilir.
- Açıklayıcı değişken uzayındaki yüksek kaldıraç noktaları, başlangıçtaki S-aşamasının dikkatli bir şekilde ayarlanmasını gerektirir.
- Doğrusal modelin geçerli olmasına dayanır ve sıradan en küçük kareler yönteminden daha fazla hesaplama gerektirir.
SSS
MM-tahmini, sıradan en küçük kareler yönteminden nasıl farklıdır?
OLS, kareli artıkların toplamını minimize eder, bu nedenle birkaç aşırı nokta çizgiyi çok uzağa çekebilir. MM-tahmini, kareli kaybı, sağlam bir ölçeğe sabitlenmiş sınırlı, yeniden azalan bir kayıpla değiştirir, böylece büyük artıklar uyumu etkilemeyi durdurur. Temiz verilerde neredeyse OLS gibi davranır, ancak verilerin yarısına kadarının kirlenmiş olduğu durumlarda güvenilir kalır.
'Yüksek kırılma noktası ve yüksek verimlilik' ne anlama gelir?
Kırılma noktası, bir tahmincinin keyfi bir yanıt vermeden önce tolere edebileceği kirlenmiş gözlem oranıdır; MM-tahmini yaklaşık %50'ye kadar tolerans gösterir. Verimlilik, mümkün olan en iyi tahminciye kıyasla temiz verileri ne kadar iyi kullandığını ölçer; MM-tahmini OLS verimliliğine yakın ayarlanabilir. Yohai'nin katkısı, her ikisini de aynı anda başarmasıydı.
MM-tahmini neden iki aşama kullanır?
İlk S-aşama, yüksek kırılma noktasına sahip ancak düşük verimliliğe sahip hata ölçeğinin sağlam bir tahminini sağlar. Bu ölçeği sabitleyerek, ikinci M-aşama verimliliği geri kazanmak için yeniden azalan bir kaybı minimize eder. İki aşama birlikte, ilkinin kırılma noktasını ve ikincinin verimliliğini miras alır.
Ne zaman farklı bir sağlam yöntemi tercih etmeliyim?
Çok küçük örneklemlerde (yaklaşık 20'den az gözlem) MM-tahmininin yakınsaması daha az garantilidir, bu nedenle Theil-Sen gibi medyan tabanlı bir tahminci daha güvenli olabilir. Yüksek kaldıraç noktaları açıklayıcı değişken uzayına hakim olduğunda, en az budanmış kareler uyumu daha güvenilir olabilir.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). MM-Estimation for Robust Regression. ScholarGate. https://scholargate.app/tr/statistics/mm-estimator
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- En Az Medyan Kareler (LMS) Regresyonuİstatistik↔ karşılaştır
- En Az Kırpılmış Kareler (EAK) Regresyonuİstatistik↔ karşılaştır
- En Küçük Kareler (EK) RegresyonuEkonometri↔ karşılaştır
- RANSAC Regresyonuİstatistik↔ karşılaştır
- Theil-Sen Tahmincisiİstatistik↔ karşılaştır