The robust estimates obtained from this model compared with EKK.
📌 3 Key Takeaways
🎯
Objective & Hypothesis:In this study, the least squares method (LS) which is commonly used in the anaysis of regression, the M met-hod that give robust estimates, the LMS (least median of squares) and MM methods having the properties of robustness and high breakdown point are presented.
📊
Key Findings & Data:The real data set obtained from an experimental study is fitted to the linear model.
💡
Conclusion & Impact:The robust estimates obtained from this model compared with EKK.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Domain Parameters
Abstract
In this study, the least squares method (LS) which is commonly used in the anaysis of regression, the M met-hod that give robust estimates, the LMS (least median of squares) and MM methods having the properties of robustness and high breakdown point are presented. The real data set obtained from an experimental study is fitted to the linear model. The robust estimates obtained from this model compared with EKK.
Özet
Bu çalışmada, regresyon analizinde çok sık kullanılan En Küçük Kareler (EKK) yöntemi ile sağlam (robust-güçlü/gürbüz) M yöntemi ve yüksek bozulma noktasına sahip En Küçük Medyan Kareler (EMK) ve MM yöntemleri tanıtılmıştır. Bu sağlam yöntemler, doğrusal modele uyan tıbbi bir veri seti üzerinde EKK ile karşılaştırılmıştır.
🔖
Cite This Article
ÇETİN, M. C., ORSOY, A. (2022). Robust estimators in linear regression and a study. Anadolu Üniversitesi Bilim ve Teknoloji Dergisi :A-Uygulamalı Bilimler ve Mühendislik, Cilt: 2 - Sayı: 2, 265–270. https://ajindex.com/articles/438528
Candan, M. (1995). Doğrusal Regresyon Çözümlemesinde Sağlam Kestiriciler, Yayınlanmamış Bilim Uzmanlığı Tezi, Hacettepe Üniversitesi, Ankara, s.94. Hampel, F.R. (1971). A general qualitative definition of robustness. The Annals of Mathematical Statistics, 42(6), 1887-1896.
Hogg, Robert V. (1979). Statistical robustness: One view of its use in applications today, The American Statistician, 33(3), 108-115.
Huber. P.J. (1981).
Robust Statistics, John Wiley & Sons Inc., NY, s.308. Huynh, H. (1982). A comparison of four approaches to robust regression. Psychological Bulletin, 92(2), 505-512.
Myers, R.H. (1986). Classical and Modern Regression with Applications, Duxbury Press,
Boston, Massachusetts, s.358. Orsoy, A. (1998). Doğrusal ve Doğrusal Olmayan Rcg-resyonda Bozulma Noktasına Sahip Tahmin Ediciler, Yayınlanmamış Bilim Uzmanlığı Tezi, Hacettepe Üniversitesi, Ankara, s. 102. Özmen, İ. (1998). Poisson Regresyon Çözümleme Teknikleri, Yayınlanmamış Doktora Tezi, Hacettepe Üniversitesi, s.72. Rousseeuw, P.J. (1984).
Least Median of Squares Regression, JASA, 79(388), 871-880.
Rousseeuw, P.J. ve Leroy, A. (1987). Robust Regression and Outlier Detection, John Wiley, NY, s.329. Yohai, V.I. (1987). High breakdown point and high efficiency robut estimates for regression. The Annuls of Statistics, 15(20), 642-656.