Sn ve Qn Sağlam Ölçek Tahminleyicileri
Sn and Qn Robust Scale Estimators · Ayrıca şöyle bilinir: Sn estimator, Qn estimator, Rousseeuw-Croux scale estimators, robust scale estimation, Sn ve Qn Ölçek Tahmincileri
Sn ve Qn, Rousseeuw ve Croux (1993) tarafından medyan mutlak sapmaya (MAD) alternatif olarak önerilen, sağlam ölçek (yayılım) tahminleyicileridir. Her ikisi de %50 kırılma noktasına ulaşırken MAD'den daha yüksek istatistiksel verimlilik sunar, bu nedenle veri aykırı değerler içerdiğinde bile yayılımı doğru bir şekilde ölçerler.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Sürekli veriler için sağlam bir yayılım ölçüsüne ihtiyaç duyduğunuzda ve MAD'den daha iyi verimlilik isterken aykırı değerlere karşı dirençten ödün vermediğinizde Sn veya Qn kullanın. Simetrik veya hafifçe asimetrik dağılımlar için uygundurlar ve en az yaklaşık 20 gözlemle en iyi sonucu verirler. Birkaç bulaşmış nokta klasik standart sapmayı bozabilecek durumlarda güçlü bir varsayılan seçenektir.
Güçlü yönler & sınırlılıklar
- Maksimum %50 kırılma noktasına ulaşır, bu nedenle tahminleyicinin bozulmasından önce verilerin yarısına kadarı kirlenmiş olabilir.
- MAD'den çok daha yüksek istatistiksel verimlilik (Qn yaklaşık %82 asimptotik verimliliğe ulaşır).
- Sn, MAD'nin medyan etrafında kurulmasının aksine simetrik bir referans noktası gerektirmez.
- Çok küçük örneklemlerde kararsız hale gelir; 20 gözlemden az olduğunda MAD tercih edilir.
- 10 gözlemden az olduğunda ölçek tahmini güvenilmezdir ve permütasyon tabanlı bir yaklaşım daha güvenlidir.
- Yalnızca yayılımı tahmin eder — verilerin tam bir modelini tek başlarına sağlamazlar.
SSS
Sn ve Qn, MAD'den nasıl farklıdır?
MAD, yaklaşık simetri varsayan ve yalnızca yaklaşık %37 verimliliğe sahip olan medyan sapmalarını ölçer. Sn ve Qn ise bunun yerine gözlemler arasındaki ikili farkları kullanır, aynı %50 kırılma noktasını korur ve çok daha yüksek verimliliğe ulaşır — Qn yaklaşık %82.
Kırılma noktası nedir?
Kırılma noktası, bir tahminleyicinin keyfi sonuçlar üretmeden önce tolere edebileceği kirlenmiş gözlem oranıdır. Sn ve Qn, maksimum olası %50'ye ulaşır, bu da ölçek tahmininin bozulmasından önce verilerin neredeyse yarısının aykırı değer olabileceği anlamına gelir.
Qn'yi Sn'ye ne zaman tercih etmeliyim?
Qn genellikle daha yüksek verimliliğe sahiptir ve hatta açık bir merkeze ihtiyaç duymaz, bu nedenle genellikle daha iyi bir varsayılan seçenektir. Sn sağlam bir seçim olmaya devam eder ve kavramsal olarak basittir; her ikisi de MAD'den çok daha verimlidir.
Ne kadar örneklem büyüklüğüne ihtiyacım var?
Kararlı tahminler için en az yaklaşık 20 gözlem. 20'nin altında MAD tercih edilir ve 10'un altında permütasyon tabanlı bir yaklaşım daha güvenlidir çünkü ölçek tahmini güvenilmez hale gelir.
Kaynaklar
- Rousseeuw, P. J., & Croux, C. (1993). Alternatives to the Median Absolute Deviation. Journal of the American Statistical Association, 88(424), 1273-1283. DOI: 10.1080/01621459.1993.10476408 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Sn and Qn Robust Scale Estimators. ScholarGate. https://scholargate.app/tr/statistics/sn-qn-estimators
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Kırılma Noktası Analiziİstatistik↔ karşılaştır
- Medyan Mutlak Sapma (MAD) Tahminiİstatistik↔ karşılaştır
- Permütasyon (Rastgeleleştirme) Testiİstatistik↔ karşılaştır
- Kuantil RegresyonuEkonometri↔ karşılaştır
- Sağlam Doğrusal Karma Etkili Modelİstatistik↔ karşılaştır