İçeriğe geçScholarGate
KütüphaneKitaplığımMasaReview StudioAsistan
Giriş
Bu sayfada
SezgiNasıl çalışırNe zaman kullanılırGüçlü yönler & sınırlılıklarYaygın tuzaklarUygulamalarSSS🔒 Tam yöntemi okuKaynaklarİlişkili yöntemler
Bu sayfaya atıf yapBu sayfada bir hata mı var? Bildir / düzeltme öner →
Ana sayfa›İstatistik›Sn ve Qn Sağlam Ölçek Tahminleyicileri
Regression model

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.

ScholarGate
  1. Regression model
  2. v1
  3. 1 Kaynaklar
  4. PUBLISHED
Bu sayfaya atıf yap →
Araçlar & kaynaklar
Slaytları indir
Öğren & keşfet

Tam yöntemi oku

Yalnızca üyeler

Bu bölümü okumak için ücretsiz hesapla giriş yapın.

Giriş yap

Yöntem haritası

İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.

Sn ve Qn Sağlam Ölçek Tahminleyicileri
Kırılma Noktası AnaliziMedyan Mutlak Sapma (MAD…Permütasyon (Rastgeleleş…Kuantil RegresyonuSağlam Doğrusal Karma Et…Ayarlanmış Kutu Grafiği…Sağlam Zaman Serisi Anal…

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

Güçlü yönler
  • 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.
Sınırlılıklar
  • 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

  1. 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

İlişkili yöntemler

Kırılma Noktası AnaliziMedyan Mutlak Sapma (MAD) TahminiPermütasyon (Rastgeleleştirme) TestiKuantil RegresyonuSağlam Doğrusal Karma Etkili Model

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
Yan yana karşılaştır →

Bu yönteme atıf yapanlar

Ayarlanmış Kutu Grafiği (Skewed Distributions için)Medyan Mutlak Sapma (MAD) TahminiSağlam Zaman Serisi Analizi

Benzer yöntemler

Medyan Mutlak Sapma (MAD) TahminiSağlam Tanımlayıcı İstatistiklerKırılma Noktası AnaliziS-tahminiyle Sağlam Doğrusal RegresyonWinsorlu TahminSağlam Kovaryans Tahmini (MCD)Sağlam Mahalanobis MesafesiSağlam İstatistiksel Proses Kontrolü

İlgili referans kavramlar

Değişkenlik ÖlçütleriSıra Tabanlı YöntemlerJackknife Yeniden ÖrneklemeVeri Tanımlaması ve Özet İstatistiklerMerkezi Eğilim ÖlçüleriM-Tahmin ve Ampirik Süreçler

Bu sayfada bir hata mı var? Bildir / düzeltme öner →

ScholarGate — Sn and Qn Scale Estimators (Sn and Qn Robust Scale Estimators). 2026-07-21 tarihinde şu adresten erişildi: https://scholargate.app/tr/statistics/sn-qn-estimators · Veri seti: https://doi.org/10.5281/zenodo.20539026
Hızlı bilgiler
Originator
Rousseeuw & Croux
Year
1993
Type
Robust scale estimator
BreakdownPoint
50%
Outcome
scale (spread)
MinSample
20
İlişkili yöntemler
Kırılma Noktası AnaliziMedyan Mutlak Sapma (MAD) TahminiPermütasyon (Rastgeleleştirme) TestiKuantil RegresyonuSağlam Doğrusal Karma Etkili Model
ScholarGate

Araştırma yöntemleri için içerik öncelikli bir referans kütüphanesi — her yöntemin ne olduğu, nasıl çalıştığı ve nereden geldiği.

Açık veri (CC-BY)

Keşfet

  • Kütüphane
  • Yöntemlerde ara…
  • Alanlara göre gez
  • Alanlar
  • Yolculuk
  • Karşılaştır
  • Hangi yöntem?

Başvuru

  • Konular
  • Atlas
  • Sözlük
  • Metodoloji
  • Felsefe

Çalışma alanı

  • Kitaplığım
  • Masa
  • Sohbet

Şirket

  • Hakkımızda
  • Fiyatlandırma
  • İletişim
  • Yöntem öner

Kayıtlar, başvuru amacıyla yayımlanmış kaynaklardan derlenmiştir. Herhangi bir bilginin doğruluğunu ve kendi kullanımınıza uygunluğunu denetlemek sizin sorumluluğunuzdadır.

© 2026 ScholarGate · Araştırma yöntemleri referans kütüphanesi
  • Gizlilik
  • Çerezler
  • Koşullar
  • Hesabı sil