Robust regression is an alternative to least squares regression when data is contaminated with outliers or influential observations and it can also be used for the purpose of detecting influential observations.
汉密尔顿，应用stata做统计分析，p207
rreg和qrg都能抵抗特异值的牵引，在非正态和重尾型误差分布的情况下便能取得高于OLS的估计效率。但它们共享OLS关于误差独立和同分布的假定，因此，它们的标准误、统计检验和置信区间在误差异分布或误差相关时也不可信。
在使用reg或其他模型命令是，想要放松误差独立和同分布假定的话，stata也提供了估计文件标准误的选项，robust。
p213
rreg和qreg能较好地处理y上的特异值，除非是有异常y值的案例的同时还与异常的x值（杠杆作用）。
p215图9.3显示，reg 和qreg对于杠杆作用（即x上特异值）并不稳健，然而，rreg程序不但削弱了较大残差案例的权重，而且还自动地将那些cook的D（影响）统计量大于1的案例搁置在外了。当我们将y3与x3回归时，rreg不再理睬这个最有影响力的观察案例，在其他19个案例基础上求出了一条更加合理的正斜率的回归线。
将影响特大的案例至于不顾，就像rreg所为，提供了一种简单的但是并不十分安全的方式杠杆作用来处理杠杆作用。其实还存在着更综合的方法，成为有限影响回归（bounded-influence regression），也可在stata中执行。蒙特卡罗试验确认，像rreg和qreg这样的估计方法应用于重尾（特异值倾向）但对称的误差分布时，常能保持无偏，效率要优于OLS估计
p216，
这就表明，在使用rreg或类似估计方法于偏态误差数据时要有所权衡：在y截距估计上存在有偏风险，但是回归系数估计可望无偏，并相对更精确。在许多场合，斜率比截距有意义，因此这种得失是值得的。
P222
数据存在特异质倾向或非正态误差时，rreg和qreg都比ols的效果好。仍然当误差不服从独立同分布时，那么由reg，rreg，qreg等方法估计出来的结果可能不够准确。
对这一OLS回归的更可信的标准误和置信区间可以用robust选项来得到。
扫码加好友，拉您进群
全部版块
我的主页
收藏
