Regresyon için Tau (τ) Tahmincisi
Tau (τ) Estimator of Regression · Ayrıca şöyle bilinir: tau regression estimator, robust tau regression, Tau-Tahmin Edici
Tau tahmincisi, Yohai ve Zamar tarafından 1988'de tanıtılan ve modeli artıkların (residuals) verimli bir τ-ölçeğini en aza indirerek uyduran sağlam (robust) bir doğrusal regresyon yöntemidir. Yüksek kırılma noktası (breakdown point) ile yüksek istatistiksel verimliliği birleştirmek için S-tahmincisinin ölçek tahminine dayanır ve küçük örneklemlerde MM-tahmincisine alternatif olarak sıklıkla kullanılır.
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 veya bulaşma (contamination) şüphesi olduğunda ve çok fazla verimlilik kaybetmeden sağlam katsayılara ihtiyaç duyduğunuzda, doğrusal regresyonla modellenen sürekli sonuçlar için Tau tahmincisini kullanın. Doğrusal model biçiminin geçerli olduğunu varsayar ve küçük ila orta ölçekli örneklem boyutları (kabaca 30 veya daha fazla gözlem) için tasarlanmıştır; bu örneklemlerde MM-tahmincisine alternatif olarak hizmet eder. Örneklem çok küçük olduğunda veya güçlü kaldıraç noktaları tasarımı domine ettiğinde daha az uygundur.
Güçlü yönler & sınırlılıklar
- Yüksek kırılma noktası (aykırı değerlere direnç) ile yüksek istatistiksel verimliliği birleştirir.
- MM-tahmincisine pratik, sağlam bir alternatif, özellikle küçük ila orta ölçekli örneklemlerde.
- Normal dağılımlı hatalar gerektirmez, bu nedenle bulaşmış ve ağır kuyruklu (heavy-tailed) verileri tolere eder.
- Çok küçük örneklemlerde (n < 20) yakınsama garantisi zayıflar.
- Kaldıraç noktaları tahmincinin temelindeki S-aşamasını hala etkileyebilir.
- Sıradan en küçük kareler yönteminden hesaplama açısından daha ağırdır ve tipik olarak iteratif sağlam regresyon rutinlerine dayanır.
SSS
Tau tahmincisi MM-tahmincisinden nasıl farklıdır?
Her ikisi de yüksek kırılma noktası ve yüksek verimliliği hedefler, ancak Tau tahmincisi bir S-ölçeği üzerine inşa edilmiş artıkların verimli bir τ-ölçeğini en aza indirirken, MM-tahmincisi bir M-tahmin aşamasıyla bir S-aşamasını takip eder. Küçük ila orta ölçekli örneklemlerde Tau tahmincisi sıklıkla MM-tahmincisine alternatif olarak kullanılır.
Kırılma noktası nedir ve neden burada önemlidir?
Kırılma noktası, keyfi olarak yanlış sonuçlar üretmeden önce bir tahmincinin tolere edebileceği bulaşmış gözlemlerin oranıdır. Tau tahmincisi yüksek bir kırılma noktası elde eder, bu nedenle önemli bir aykırı değer payı uyumu raydan çıkarmaz.
Tau tahmincisinden ne zaman kaçınmalıyım?
Yakınsama garantisinin zayıfladığı çok küçük örneklemlerde (n < 20) kaçının — bu durumda bir Theil-Sen tahmincisi daha güvenilirdir. Güçlü kaldıraç noktaları tasarımı domine ettiğinde, S-aşamasından etkilenebilir ve bir MM-tahmincisi tercih edilebilir.
Tau tahmincisi normal dağılımlı hatalar gerektirir mi?
Hayır. Normalliği varsaymaz ve bulaşma ve ağır kuyruklu hatalar altında güvenilir kalacak şekilde tasarlanmıştır; bu da tam olarak bu ortamlarda sıradan en küçük kareler yöntemine tercih edilmesinin nedenidir.
Kaynaklar
- Yohai, V. J., & Zamar, R. H. (1988). High Breakdown-Point Estimates of Regression by Means of the Minimization of an Efficient Scale. Journal of the American Statistical Association, 83(402), 406-413. DOI: 10.1080/01621459.1988.10478611 ↗
- Maronna, R. A., & Zamar, R. H. (2002). Robust Estimates of Location and Dispersion for High-Dimensional Datasets. Technometrics, 44(4), 307-317. DOI: 10.1198/004017002188618509 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Tau (τ) Estimator of Regression. ScholarGate. https://scholargate.app/tr/statistics/tau-estimator
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
- Sağlam Regresyon için MM-Tahminiİstatistik↔ karşılaştır
- S-tahminiyle Sağlam Doğrusal Regresyonİstatistik↔ karşılaştır
- Theil-Sen Tahmincisiİstatistik↔ karşılaştır