标签:回归 最小 50 估计 robustbase 精讲 稳健 乘法
前言
线性回归的参数估计主要采用的是最小二乘法(又称最小平方法),该法是将使观测值与模型预测值之差的平方达到最小的值作为参数估计值。如果数据存在异常点或者异方差,最小二乘法估计会存在偏差,常用的处理策略就是改用稳健回归(Robust Regression)。
稳健回归就是采用更为稳健的参数估计方法来拟合模型,所谓稳健就是数据的波动对参数估计影响不大,比如不受异常值影响,或删除某一观测后对结果影响不大。稳健估计的方法有很多,主要有这么几类:最小绝对值回归(也称最小一乘法回归,lAV),最小中位数二乘法(LMS)、最小截尾二乘法(LTS)、M估计、S估计、MM估计,这些方法在R的软件包{robustbase}均有提供。在这些方法中既能保证高的估计效率,崩溃点又可以接受的是MM法。
R中提供了大量的稳健估计方法,可参见介绍https://CRAN.R-project.org/view=Robust。
常用函数
在线性回归的稳健估计中,能实现高效率高崩溃点估计的常用函数有rlm{MASS}、lmrob{robustbase}、lmRob{robust},但因具体算法有差异,结果也会不同。
lmrob() (robustbase) and lmRob() (robust) where the former uses the latest of the fast-S algorithms and heteroscedasticity and
标签:回归,最小,50,估计,robustbase,精讲,稳健,乘法 来源: https://blog.csdn.net/wenyusuran/article/details/115076498
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。