Ранговые оценки с высокой пороговой точкой в регрессионной модели

Широкое распространение получили регрессионные задачи во всех областях науки и техники, когда есть необходимость восстановить связь между двумя и более переменными. Наиболее популярный метод – МНК (метод наименьших квадратов) не дает эффективную оценку параметров линейно регрессии, если в данных присутствуют выбросы или кластеры выбросов. Поэтому появилась потребность в создании непараметрических методов, которые позволяют обрабатывать данные с минимальной информацией о распределении. В данной работе разработаны и численно реализованы алгоритмы построения R- и HBR- оценок для нахождения неизвестных параметров линейной регрессии, проведено моделирование регрессионных зависимостей с погрешностями, которые имеют различные распределения, а также имеют выбросы в факторном пространстве. Более того произведены сравнительный численный анализ МНК-, R-, HBR-, LMS-оценок и эксперимент по сравнению устойчивости к выбросам и кластерам выбросов на реальных данных.