R实现稳健回归.doc
大小:(668.5 KB)

只需: RMB 10元  马上下载

普通最小二乘法OLS法是最常用的回归模型估计方法，但其使用前提之一是随机误差服从正态分布（即高斯分布）。但是，现实是复杂的，几乎不可能完全符合假设。那么，一个好的估计量应该对稍微偏离假设的情况有一定的免疫力。遗憾的是，OLS不具备这一特点。比如，当随机误差是非正态分布—尤其是长尾分布时，OLS估计量会对哪怕少数几个离群点（即异常数据）极度地敏感。也就是说少数几个离群点就会对拟合结果产生破坏性的影响，使OLS估计量成为很差的估计量。事实上，许多学者指出，长尾分布的随机误差比正态分布的随机误差更为常见。这种情况下，必须放弃OLS，寻求其它有效的估计方法。稳健回归正是对这个问题进行补救措施。所谓稳健，就是指能够抵御异常数据对回归分析的不良影响。如果能够抵御，我们就可以说这种估计方法是稳健的。反之，如果不能抵御异常数据对回归分析的破坏，我们就可以说这种估计方法是不稳健。因为在回归分析中，异常数据主要表现的离群点。所以，简言之，稳健回归就是指能够检测离群点、并且在离群点存在的情况下能够提供可靠估计的一种回归方法。

本文件中本人原创，内容包括离群点的识别（帽子值法、学生化残差法、标准化残差的QQ图（Quantile–quantile plots）法、Cook距离（Cook’s distance）法），稳健回归估计方法（最小截尾二乘法（LTS）、M估计量，Huber回归），有完整的R代码的实战案例。

内容结构：

共24页，内容完整、图文并茂、可以直接复制到软件上操作。