稳健选项的统计详细信息

本节包含“二元”平台中“稳健拟合”和“拟合 Cauchy”选项的详细信息。

稳健拟合

在“二元”平台中，“稳健拟合”选项用于减小响应变量离群值对模型拟合的影响。需要使用 Huber M 估计方法。Huber M 估计查找可将 Huber 损失函数最小化的参数估计值：

其中

ei 指残差

Huber 损失函数惩罚离群值，并且对于小误差呈二次增长，对于大误差呈线性增长。在 JMP 实现中，k = 2。有关稳健拟合的更多详细信息，请参见 Huber (1973) 和 Huber and Ronchetti (2009)。

拟合 Cauchy

在“二元”平台中，“拟合 Cauchy”选项使用最大似然和 Cauchy 连结函数估计参数。该方法假定误差服从 Cauchy 分布。Cauchy 分布具有比正态分布更肥大的尾部，从而弱化了对离群值的强调。

需要更多信息？有问题？从 JMP 用户社区得到解答 (community.jmp.com).