Устойчивая регрессия
b = robustfit(X,y)
b = robustfit(X,y,wfun,tune)
b = robustfit(X,y,wfun,tune,const)
[b,stats] = robustfit(...)
b = robustfit(X,y) возвращается (p + 1)-by-1 векторный b из коэффициента оценивает для устойчивой полилинейной регрессии ответов в y на предикторах в XX n-by-p матрица p предикторов при каждом из n наблюдений. y n-1 вектор наблюдаемых ответов. По умолчанию алгоритм использует итеративно повторно взвешенные наименьшие квадраты с bisquare функцией взвешивания.
По умолчанию, robustfit добавляет первый столбец 1 с к X, соответствие постоянному члену в модели. Не вводите столбец 1 с непосредственно в X. Можно изменить поведение по умолчанию robustfit использование входа const, ниже.
robustfit обработки NaNs в X или y как отсутствующие значения, и удаляет их.
b = robustfit(X,y, задает функцию взвешивания wfun,tune)wfun. tune настройка, постоянная, который разделен на вектор невязок перед вычислительными весами.
Функция взвешивания wfun одно из значений, описанных в этой таблице. Значением по умолчанию является 'bisquare'.
| Функция веса | Описание | Значение по умолчанию, настраивающееся постоянный |
|---|---|---|
'andrews' | w = (abs(r)<pi) .* sin(r) ./ r | 1.339 |
'bisquare' | w = (abs(r)<1) .* (1 - r.^2).^2 (также названный biweight) | 4.685 |
'cauchy' | w = 1 ./ (1 + r.^2) | 2.385 |
'fair' | w = 1 ./ (1 + abs(r)) | 1.400 |
'huber' | w = 1 ./ max(1, abs(r)) | 1.345 |
'logistic' | w = tanh(r) ./ r | 1.205 |
'ols' | Обычные наименьшие квадраты (никакая функция взвешивания) | 'none' |
'talwar' | w = 1 * (abs(r)<1) | 2.795 |
'welsch' | w = exp(-(r.^2)) | 2.985 |
| указатель на функцию | Пользовательская функция веса, которая принимает векторный r из масштабированных остаточных значений, и возвращает вектор весов тот же размер как r | 1 |
Если tune не задано, robustfit использует настраивающее значение значения по умолчанию, показанное в таблице. Настраивающие константы значения по умолчанию встроенных функций веса дают содействующие оценки, которые приблизительно на 95% более статистически эффективны, чем обычные оценки наименьших квадратов, если ответ имеет нормальное распределение без выбросов. Уменьшение настраивающихся постоянных увеличений подавление присвоенного к большим остаточным значениям; увеличение настраивающихся постоянных уменьшений подавление присвоенного к большим остаточным значениям.
Значение r в весе функции
r = resid/(tune*s*sqrt(1-h))
где resid вектор остаточных значений предыдущей итерации, h вектор значений рычагов от подгонки наименьших квадратов и s оценка стандартного отклонения остаточного члена, данного
s = MAD/0.6745
Здесь MAD среднее абсолютное отклонение остаточных значений их медианы. Постоянные 0.6745 делают оценку несмещенной для нормального распределения. Если существуют p столбцы в X, самые маленькие p абсолютные отклонения исключены при вычислении медианы.
b = robustfit(X,y, средства управления, будет ли модель включать постоянный термин. wfun,tune,const)const 'on' включать постоянный термин (значение по умолчанию), или 'off' не использовать его. Когда const 'on', robustfit добавляет первый столбец 1 с к X и b становится (p + 1)-by-1 вектор. Когда const 'off', robustfit не изменяет X, затем b p-by-1 вектор.
[b,stats] = robustfit(...) возвращает структуру stats, чьи поля содержат диагностическую статистику от регрессии. Поля stats :
ols_s — Оценка сигмы (RMSE) от обычных наименьших квадратов
robust_s — Устойчивая оценка сигмы
mad_s — Оценка сигмы, вычисленной с помощью среднего абсолютного отклонения остаточных значений их медианы; используемый в масштабировании остаточных значений во время итеративного подбора кривой
s — Итоговая оценка сигмы, больший из robust_s и взвешенное среднее ols_s и robust_s
resid — Невязка
rstud — Невязка Studentized (см. regress для получения дополнительной информации
se — Стандартная погрешность содействующих оценок
covb — Предполагаемая ковариационная матрица для содействующих оценок
coeffcorr — Предполагаемая корреляция содействующих оценок
t — Отношение b к se
p — p-значения для t
w — Вектор весов для устойчивой подгонки
R — R включают разложение QR X
dfe — Степени свободы для ошибки
h — Вектор значений рычагов для подгонки наименьших квадратов
robustfit функционируйте оценивает ковариационную матрицу отклонения содействующих оценок с помощью inv(X'*X)*stats.s^2. Стандартные погрешности и корреляции выведены из этой оценки.
Сгенерируйте данные с трендом y = 10 - 2* x, затем измените одно значение, чтобы симулировать выброс.
x = (1:10)'; rng default; % For reproducibility y = 10 - 2*x + randn(10,1); y(10) = 0;
Соответствуйте прямой линии с помощью обычной регрессии наименьших квадратов.
bls = regress(y,[ones(10,1) x])
bls = 2×1
7.8518
-1.3644
Теперь используйте устойчивую регрессию, чтобы оценить прямолинейную подгонку.
brob = robustfit(x,y)
brob = 2×1
8.4504
-1.5278
Создайте график рассеивания данных вместе с подгонками.
scatter(x,y,'filled'); grid on; hold on plot(x,bls(1)+bls(2)*x,'r','LineWidth',2); plot(x,brob(1)+brob(2)*x,'g','LineWidth',2) legend('Data','Ordinary Least Squares','Robust Regression')
Устойчивая подгонка меньше под влиянием выброса, чем подгонка наименьших квадратов.
[1] DuMouchel, W. H. и Ф. Л. О'Брайен. “Интегрируя Устойчивую Опцию в Вычислительную среду Регрессии кратного”. Информатика и Статистика: Продолжения 21-го Симпозиума по Интерфейсу. Александрия, ВА: американская Статистическая Ассоциация, 1989.
[2] Голландия, P. W. и Р. Э. Велш. “Устойчивая Регрессия Используя Итеративно Перевзвешенные Наименьшие квадраты”. Коммуникации в Статистике: Теория и Методы, A6, 1977, стр 813–827.
[3] Хубер, P. J. Устойчивая статистика. Хобокен, NJ: John Wiley & Sons, Inc., 1981.
[4] Улица, J. O. Р. Дж. Кэрролл и Д. Рапперт. “Примечание по Вычислению Устойчивых Оценок Регрессии через Итеративно Перевзвешенные Наименьшие квадраты”. Американский Статистик. Издание 42, 1988, стр 152–154.