稳健线性模型¶

支持范数中列出的M估计量的稳健线性模型。

查看模块参考以获取命令和参数。

示例¶

# Load modules and data
In [1]: import statsmodels.api as sm

In [2]: data = sm.datasets.stackloss.load()

In [3]: data.exog = sm.add_constant(data.exog)

# Fit model and print summary
In [4]: rlm_model = sm.RLM(data.endog, data.exog, M=sm.robust.norms.HuberT())

In [5]: rlm_results = rlm_model.fit()

In [6]: print(rlm_results.params)
const       -41.026498
AIRFLOW       0.829384
WATERTEMP     0.926066
ACIDCONC     -0.127847
dtype: float64

详细的示例可以在这里找到：

技术文档¶

权重函数

参考文献¶

PJ Huber. 《稳健统计》约翰威立父子出版公司，纽约。1981年。
PJ Huber. 1973, ‘1972年Wald纪念讲座：稳健回归：渐近性、猜想和蒙特卡洛模拟。’ 《统计学年鉴》, 1.5, 799-821.
R Venables, B Ripley. 《现代应用统计学在S中》 Springer, 纽约,
C Croux, PJ Rousseeuw, ‘时间高效算法用于两个高度稳健的尺度估计器’ 计算统计学. Physica, 海德堡, 1992.

模块参考¶

模型类¶

`RLM`(endog, exog[, M, missing])	稳健线性模型

模型结果¶

`RLMResults`(model, params, ...)	包含RLM结果的类

范数¶

`AndrewWave`([a])	Andrew 的 M 估计波形。
`Hampel`([a, b, c])	用于M估计的Hampel函数。
`HuberT`([t])	Huber's T 用于 M 估计。
`LeastSquares`()	M估计的最小二乘rho及其派生函数。
`MQuantileNorm`(q, base_norm)	基于基准范数的M-分位数目标函数
`RamsayE`([a])	Ramsay 的 Ea 用于 M 估计。
`RobustNorm`()	用于稳健回归的范数的父类。
`TrimmedMean`([c])	用于M估计的修剪均值函数。
`TukeyBiweight`([c])	用于M估计的Tukey双权重函数。
`estimate_location`(a, scale[, norm, axis, ...])	使用self.norm和当前的尺度估计值进行位置的M估计。

规模¶

`Huber`([c, tol, maxiter, norm])	Huber 的第 2 号提案，用于联合估计位置和尺度。
`HuberScale`([d, tol, maxiter])	用于拟合稳健线性模型的Huber尺度缩放。
`mad`(a[, c, axis, center])	沿给定轴的数组的中位数绝对偏差
`hubers_scale`	用于拟合稳健线性模型的Huber尺度缩放。
`iqr`(a[, c, axis])	沿数组给定轴的标准化四分位距
`qn_scale`(a[, c, axis])	计算Qn稳健尺度估计量

Last update: Oct 16, 2024