Sağlam Kovaryans Tahmini (MCD)
Minimum Covariance Determinant Estimation · Ayrıca şöyle bilinir: minimum covariance determinant, MCD estimator, robust covariance estimation, Robust Kovaryans Tahmini (MCD)
Minimum Kovaryans Determinant (MCD) ile Sağlam Kovaryans, aykırı değerlerden etkilenmeyen çok değişkenli bir ortalama vektörü ve kovaryans matrisi tahmin eder. Bu yöntem, Rousseeuw'un sağlam tahmin üzerine önceki çalışmalarından yararlanarak Rousseeuw ve Van Driessen (1999) tarafından geliştirilen Fast-MCD algoritması ile pratik hale getirilmiştir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Aykırı değerler içerebilecek sürekli, çok değişkenli verilerle çalıştığınızda ve aykırı değer tespiti veya sağlam mesafeler gibi sonraki görevler için güvenebileceğiniz bir ortalama ve kovaryansa ihtiyaç duyduğunuzda sağlam kovaryansı kullanın. Yaklaşık %50'ye kadar kirlenmeye tolerans gösterir ve makul bir örneklem gerektirir (en az yaklaşık 50 gözlem ve değişkenlerden daha fazla gözlem). Çok küçük örneklemler (n < 20) veya aykırı değer payının temiz alt kümenin bile güvenilmez olduğu kadar yüksek olduğu durumlar için uygun değildir.
Güçlü yönler & sınırlılıklar
- Aykırı değerlere karşı dirençlidir: gerçek konumu ve saçılımı kurtarırken yaklaşık %50'ye kadar kirlenmeye tolerans gösterir.
- Normal dağılım varsaymaz — yalnızca sürekli çok değişkenli veriler gerektirir.
- Fast-MCD yoğunlaştırma adımı algoritması ile gerçek veri kümeleri için hesaplama açısından pratik hale getirilmiştir.
- Değişkenlerden daha fazla gözlem ve orta büyüklükte bir örneklem gerektirir (en az yaklaşık 50); n < 20 için güvenilmezdir.
- Aykırı değer oranı çok yüksek olduğunda (yaklaşık %25'in üzerinde), seçilen temiz alt kümenin kalitesi bozulur.
- Yalnızca konum ve saçılımı özetler; tam bir çıkarımsal modelden ziyade tanılama için bir yapı taşıdır.
SSS
'Minimum determinant' aslında neyi minimize eder?
MCD, kovaryans matrisinin determinantı en küçük olan veri alt kümesini arar. Küçük bir determinant, en küçük hacimli saçılım elipsoidi anlamına gelir, yani en sıkı paketlenmiş alt küme, verinin temiz, aykırı değer içermeyen çekirdeği olarak kabul edilir.
MCD ne kadar aykırı değere tolerans gösterebilir?
Tahmincinin bozulmasından önce gözlemlerin yaklaşık %50'sine kadar kirlenme olabilir. Pratikte, aykırı değer oranı yaklaşık %25'in üzerine çıktığında, seçilen alt kümenin kalitesi bozulmaya başlar, bu nedenle çok ağır kirlenme dikkatle ele alınmalıdır.
Fast-MCD algoritması neden önemlidir?
Kesin MCD, her olası alt kümenin aranmasını gerektirir, bu da gerçekçi veriler için hesaplama açısından imkansızdır. Rousseeuw ve Van Driessen'in (1999) Fast-MCD algoritması, minimum determinant alt kümesine hızla yakınsayan yoğunlaştırma adımlarını kullanır, bu da MCD'yi pratikte kullanılabilir hale getiren şeydir.
Örneklemim MCD için çok küçük olduğunda ne kullanmalıyım?
MCD, değişkenlerden daha fazla gözlem gerektirir ve yaklaşık 20 gözlemin altında güvenilmez hale gelir. Çok küçük örneklemler için, medyan mutlak sapma (MAD) gibi koordinat bazında sağlam bir ölçek daha güvenli bir yedektir.
Kaynaklar
- Rousseeuw, P. J. & Van Driessen, K. (1999). A Fast Algorithm for the Minimum Covariance Determinant Estimator. Technometrics, 41(3), 212-223. DOI: 10.1080/00401706.1999.10485670 ↗
- Rousseeuw, P. J. & Leroy, A. M. (1987). Robust Regression and Outlier Detection. Wiley. ISBN: 978-0471488552
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Minimum Covariance Determinant Estimation. ScholarGate. https://scholargate.app/tr/statistics/robust-covariance
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
- Medyan Mutlak Sapma (MAD) Tahminiİstatistik↔ karşılaştır
- Sağlam ANOVA (Welch ve Kırpılmış Ortalama)İstatistik↔ karşılaştır
- Theil-Sen Tahmincisiİstatistik↔ karşılaştır