Howdy.
Es gibt verschiedene robuste Regressionsmethoden wie LAR-(aka LAV-, LAD-, L1-Norm-)Regression, Quantil-Regression, M-Estimator. Sie sind insbesondere für Daten geeignet, die die Bedingungen der OLS nicht erfüllen.
Der überwiegende Teil der robusten Regressionsliteratur (, die ich gelesen habe, ) argumentiert abstrakt anhand des Breakdownpoints, welcher robuste Schätzer generell zu bevorzugen sei.
Der andere Teil der robusten Regressionsliteratur (, die ich gelesen habe, ) argumentiert, der beste robuste Schätzer hängt von der Art der nächst vergleichbaren theoretischen Verteilung ab. Z.B. sei der LAR-Schätzer bei approximativer Laplace-Verteilung der beste Schätzer (auch wenn er einen schlechteren Breakdownpoint als Quantil-Schätzer/ M-Schätzer hat).
Frage:
Wie bestimme ich für gegebene Daten, die die Bedingungen der OLS-Regression (schon vom blossen Ansehen) nicht erfüllen, den besten robusten Schätzer von mehreren robusten Schätzern?
Bestes robustes Regressionsmodell wählen
Moderator: EDi
Re: Bestes robustes Regressionsmodell wählen
Nur der Vollständigkeit halber, falls ein anderer Forumsnutzer mal auf dieses Problem stossen sollte.
Nach einiger Beschäftigung mit dem Problem scheimt mir der Mean-Absolute-Error (MAE) das beste Modell-Entscheidungskriterium für robuste Datenprobleme zu sein, die sehr weit weg von normalveteilt sind, insbesondere wenn sie überhaupt keiner theoretischen Verteilung folgen.
Nach einiger Beschäftigung mit dem Problem scheimt mir der Mean-Absolute-Error (MAE) das beste Modell-Entscheidungskriterium für robuste Datenprobleme zu sein, die sehr weit weg von normalveteilt sind, insbesondere wenn sie überhaupt keiner theoretischen Verteilung folgen.
Irmgard.