M-estimator
I statistikk , M-estimatorene utgjør en stor klasse av statistikk som oppnås ved minimalisering av en funksjon avhengig av dataene og parametrene til modellen. Prosessen med å beregne en M-estimator kalles M-estimat . Mange statistiske estimeringsmetoder kan betraktes som M-estimatorer. Avhengig av funksjonen som skal minimeres under M-estimeringen, kan M-estimatorer gi mer robuste estimatorer enn mer tradisjonelle metoder, for eksempel metoden med minste kvadrat .
Definisjon
M-estimatorer ble introdusert i 1964 av Peter Huber som en generalisering av maksimal sannsynlighetsestimering til minimering av en funksjon ρ over datasettet. Dermed estimeres M-estimatoren (e) assosiert med dataene og funksjonen ρ av
θ^=argminθ(∑Jeg=1ikkeρ(xJeg,θ)){\ displaystyle {\ hat {\ theta}} = \ operatorname {argmin} _ {\ theta} \ left (\ sum _ {i = 1} ^ {n} \ rho (x_ {i}, \ theta) \ right )}Den M M-estimatoren kommer derfor fra den maksimale sannsynlighet ( maximum likelihood-type på engelsk) og maksimum likelihood estimatorer er et spesielt tilfelle av M-estimatorer.
Typer
Å løse minimeringsproblemet innebærer ofte å differensiere målfunksjonen. For å søke , består en enkel metode i å søke etter verdier som
θ^{\ displaystyle {\ hat {\ theta}}}
∂∂θ(∑Jeg=1ikkeρ(xJeg,θ))=0.{\ displaystyle {\ frac {\ partial} {\ partial \ theta}} \ left (\ sum _ {i = 1} ^ {n} \ rho (x_ {i}, \ theta) \ right) = 0.}Hvis denne differensieringen er mulig, sies M-estimatoren å være av typen ψ ; ellers sies det å være av typen ρ .
Eksempler på M-estimatorer
Blant de kjente eksemplene på M-estimatorer kan vi sitere:
-
ρ(x)=x2{\ displaystyle \ rho (x) = x ^ {2}}, som tilsvarer å bruke metoden med minste kvadrat
- ρ(x)=|x|{\ displaystyle \ rho (x) = | x |}
-
ρk(x)={x22 hvis |x|<kk(|x|-k2) hvis |x|⩾k{\ displaystyle \ rho _ {k} (x) = {\ begin {cases} {\ frac {x ^ {2}} {2}} & {\ text {si}} | x | <k \\ k ( | x | - {\ frac {k} {2}}) og {\ text {si}} | x | \ geqslant k \ end {cases}}}( Huber-funksjon (i) )
-
ρvs.(x)=vs.22ln(1+(xvs.)2){\ displaystyle \ rho _ {c} (x) = {\ frac {c ^ {2}} {2}} \ ln \ left (1+ \ left ({\ frac {x} {c}} \ right) ^ {2} \ høyre)} (Lorentz-funksjon)
-
ρvs.(x)=x22(1-x22vs.2+x46vs.4){\ displaystyle \ rho _ {c} (x) = {\ frac {x ^ {2}} {2}} \ left (1 - {\ frac {x ^ {2}} {2c ^ {2}}} + {\ frac {x ^ {4}} {6c ^ {4}}} \ høyre)}( Tukey's bipoids )
Relaterte artikler
Referanser
- Peter J. Huber , Robust Statistics , Wiley, 1981, 2004
<img src="https://fr.wikipedia.org/wiki/Special:CentralAutoLogin/start?type=1x1" alt="" title="" width="1" height="1" style="border: none; position: absolute;">