Sağlam Çoklu Doğrusal Regresyon
Robust Multiple Linear Regression · Ayrıca şöyle bilinir: robust MLR, M-estimator regression, resistant multiple regression, robust OLS
Sağlam çoklu doğrusal regresyon, sürekli bir sonucu ve birkaç öngördürücüyü ilişkilendiren doğrusal ilişkiyi, aykırı değerlere ve normallik varsayımının ihlallerine karşı dirençli olarak tahmin eder. Karesel artıkların toplamını en aza indirmek yerine, sınırlı bir kayıp fonksiyonu kullanır — en yaygın olarak Huber veya Tukey'nin bisquare'i — böylece aşırı gözlemler tahmin edilen katsayılar üzerinde sınırlı bir etkiye sahip olur.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+1 tane daha
Ne zaman kullanılır
Sürekli bir sonucunuz ve birden fazla öngördürücünüz olduğunda ancak verilerin OLS tahminlerini bozacak aykırı değerler, ağır kuyruklu hatalar veya normallikten orta derecede sapmalar içerdiğinden şüphelendiğinizde sağlam çoklu doğrusal regresyon kullanın. Özellikle keşifsel çalışmalarda, gözlemsel çalışmalarda veya ekonomide, çevre biliminde ve mühendislikte etkili anomalilerin yaygın olduğu alanlarda değerlidir. Verileri incelemeden önce OLS'nin rutin bir ikamesi olarak kullanmayın: hatalar gerçekten normal ise ve aykırı değer yoksa, OLS daha verimlidir. Ayrıca, yüksek kaldıraçlı noktaların anlamlı olduğu, ağırlıklandırılmaması gereken doğru gözlemler olduğunda da bundan kaçının.
Güçlü yönler & sınırlılıklar
- Aykırı değerlere dirençli: kontamine olmuş gözlemlerin küçük bir kesri, tahmin edilen katsayılar üzerinde sınırlı bir etkiye sahiptir.
- Normal dağılımlı hatalar varsayımı yok; ağır kuyruklu veya hafif asimetrik hata dağılımları altında geçerlidir.
- Yorumlanabilir doğrusal katsayılara sahip tanıdık çoklu regresyon çerçevesini korur.
- MM-tahmincileri, hem yüksek kırılma noktası (en fazla %50 kontaminasyon) hem de normalliğe yakın yüksek asimptotik verimlilik elde eder.
- Tahmin edilen ağırlıklar aracılığıyla etkili gözlemleri otomatik olarak işaretler, tanısal içgörüye yardımcı olur.
- OLS'den hesaplama açısından daha talepkar, her zaman yakınsamayabilen yinelemeli algoritmalar gerektirir.
- Hataların gerçekten normal dağılımlı olduğu ve aykırı değerlerin olmadığı durumlarda OLS'den daha az verimlidir.
- Meşru yüksek kaldıraçlı gözlemleri (örneğin, aşırı ancak geçerli deney koşulları) ağırlıklandırmamak, tahminleri verilerin çoğunluğuna doğru yanlı hale getirebilir.
- Çıkarım (standart hatalar, güven aralıkları) küçük örneklemlerde güvenilmez olabilecek asimptotik yaklaşımlara dayanır.
SSS
Sağlam regresyon OLS'den nasıl farklıdır?
OLS, her gözleme eşit etki ve aykırı değerlere çok yüksek etki veren karesel artıkların toplamını en aza indirir. Sağlam regresyon, sınırlı bir kayıp fonksiyonu kullanır ve aşırı artıkları yinelemeli olarak ağırlıklandırır, böylece aykırı değerlerin tahmin edilen katsayılar üzerinde sınırlı bir etkisi olur.
Kırılma noktası nedir?
Kırılma noktası, tahmincilerin keyfi olarak kötüleşmeden önce tolere edebileceği kontamine olmuş gözlemlerin en büyük kesridir. OLS'nin kırılma noktası %0'dır (tek bir aykırı değer onu mahvedebilir); MM-tahmincileri %50'ye kadar ulaşabilir.
Huber veya Tukey bisquare kaybını mı seçmeliyim?
Huber kaybı sıfıra yakın karesel ve kuyruklarda doğrusaldır, orta derecede direnç sağlar. Tukey'nin bisquare'i, bir eşiğin ötesindeki gözlemlerin etkisini tamamen sıfırlar, büyük aykırı değerlere karşı daha güçlü direnç sunar ancak geçerli aşırı verileri göz ardı edebilir. Çoğu uygulamalı çalışma için, MM-tahmincileri (verimli adımda bisquare kullanan) iyi bir varsayılan değerdir.
Kategorik öngördürücülerle sağlam regresyon kullanabilir miyim?
Evet. Kategorik öngördürücüler OLS'de olduğu gibi dummy kodlanır. Sağlam regresyon, uydurulmuş doğrusal yüzeyden gelen artıklar üzerinde çalışır, bu nedenle öngördürücülerin kodlaması değişmez.
Sağlam regresyon küçük örneklemler için uygun mudur?
Sağlam yöntemler asimptotik teoriye dayanır ve standart hataları küçük örneklemlerde (kabaca n < 50) daha az güvenilirdir. Bootstrap güven aralıkları, n küçük olduğunda ve aykırı değerlerden şüphelenildiğinde tercih edilir.
Kaynaklar
- Huber, P. J. (1964). Robust estimation of a location parameter. Annals of Mathematical Statistics, 35(1), 73–101. DOI: 10.1214/aoms/1177703732 ↗
- Maronna, R. A., Martin, R. D., & Yohai, V. J. (2006). Robust Statistics: Theory and Methods. Wiley. ISBN: 978-0470010921
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust Multiple Linear Regression. ScholarGate. https://scholargate.app/tr/statistics/robust-multiple-linear-regression
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Lasso RegresyonuMakine öğrenmesi↔ karşılaştır
- Çoklu Doğrusal Regresyonİstatistik↔ karşılaştır
- En Küçük Kareler (EK) RegresyonuEkonometri↔ karşılaştır
- Kuantil RegresyonuEkonometri↔ karşılaştır
- Ridge Regression (Sırt Regresyonu)Makine öğrenmesi↔ karşılaştır
- Sağlam Regresyonİstatistik↔ karşılaştır