不需常態假設與不受離群值影響的選擇迴歸模型的方法; Selecting "good" regression models:an approach which is insensitive to normality and to outliers.

NCU Institutional Repository > 理學院 > 統計研究所 > 博碩士論文 > Item 987654321/7742

jsp.display-item.identifier=請使用永久網址來引用或連結此文件: http://ir.lib.ncu.edu.tw/handle/987654321/7742

题名:	不需常態假設與不受離群值影響的選擇迴歸模型的方法;Selecting "good" regression models:an approach which is insensitive to normality and to outliers.
作者:	黃麟凱;Lin-kai Huang
贡献者:	統計研究所
关键词:	離群值;選模統計量;強韌概似函數;Robust likelihood function;Outlier;Model selection statistic
日期:	2009-06-03
上传时间:	2009-09-22 11:03:43 (UTC+8)
出版者:	國立中央大學圖書館
摘要:	在線性複迴歸的架構下，Cp是常用的選模統計量。本文透過常態實作模型，使用Royall and Tsou (2003)的強韌概似函數方法，建構Cp的強韌修正項ATp。經由模擬的發現，ATp除了修正Cp的一些缺陷外，在違反常態假設時，表現比Cp另外的修正項RCp(Ronchetti and Staudte, 1994)與RTp(Sommer and Huggins, 1996)好。此外，本文亦將ATp應用在兩個實例上。 Base on multiple linear regression, the statistic, Cp, is usually used to do model selection. In this thesis, we use the robust likelihood technique introduced by Royall and Tsou (2003) to construct a roubust Cp (ATp) under the normal working model. By way of simulations, ATp not only adjusts some defects on Cp, but also is better than RCp (Ronchetti and Staudte, 1994) and RTp (Sommer and Huggins, 1996) which are the other roubust Cp statistics if the normal assumption is wrong. In addition, we use two real examples to demonstate.
显示于类别:	[統計研究所] 博碩士論文

文件中的档案:

档案	大小	格式	浏览次数

在NCUIR中所有的数据项都受到原著作权保护.

社群 sharing