Робастные методы и процедуры

Многие «наилучшие» оценки в статистике (например, наиболее распространенная на практике оценка среднего значения случайной величины ) обладают тем дефектом, что они являются наилучшими лишь в случае, если выборка наблюдений получена из нормально распределённой совокупности данных и быстро теряют свои оптимальные свойства по мере отклонения распределения от нормального, то есть являются неустойчивыми к отклонениям от нормального распределения. В качестве характеристики устойчивости оценки можно предложить понятие робастности.

Определение робастности оценки. Пусть случайная величина Х имеет плотность распределения вероятностей , где вид функции f известен, а q - неизвестный параметр (может быть величиной векторной). Оценка параметра производится по n наблюдениям х₁,х₂,…,х_n. В классической статистике качество оценки определяется её дисперсией D_f , вычисленной в предположении, что выборка получена из генеральной совокупности с плотностью распределения вероятностей .

Определим понятие e-окрестности распределения f:

где 0<e<1, а h(x) – произвольная плотность распределения вероятностей.

Назовём оценку робастной, если для неё имеет место . То есть робастная оценка – это такая оценка, которая в наихудшем случае (когда достигается ) имеет наименьшую дисперсию. Нахождение робастной оценки отвечает решению, как говорят в математике, минимаксной задачи. Минимаксное значение есть гарантированный верхний порог дисперсии оценки для любого распределения f из e-окрестности.

Минимаксная стратегия широко распространена в таком разделе теории операций как теория игр. В определённом смысле робастная процедура – это «игра» исследователя с природой.

Робастная оценка среднего значения. Если параметр q играет роль центра распределения (среднего значения), то f(x,q)=f(x-q). Робастная оценка параметра q в этом случае находится по n наблюдениям х₁,х₂,…,х_n решением следующей задачи:

Если f(x,q) – плотность вероятностей нормального распределения, то:

, (8.29)

Робастная оценка в этом случае представляет собой некий гибрид оценки средней арифметической () и выборочной медианы (med{x_i}). Она совмещает в себе эффективность первой оценки и устойчивость второй. Их соотношение определяется величиной степени засорения e (0<e<1) через величину к=к(e). Если e®0 (к®¥), то оценка близка к среднему арифметическому. Если e®1 (к®0), то оценка близка к выборочной медиане.

Робастная оценка имеет вид:

где - вариационный ряд выборочных значений; m=[an], a=a(k(e))=a(e). Значения a=a(e) можно найти в таблице 2 [ 6 ].

Таблица 2.

Значения уровня урезания a=a(e)

e		0.001	0.005	0.01	0.05	0.10	0. 20	0.30	0.40	0.50	0.80
a		0.004	0.015	0.026	0.081	0.127	0.194	0.247	0.291	0.332	0.436	0.5

Робастная регрессия. Уравнение регрессии, получаемое методом наименьших квадратов, имеет существенный дефект, заключающийся в том, что при наличии грубых ошибок в данных оценки его коэффициентов сильно искажаются, то есть являются неустойчивыми к отклонениям от обычного предположения в регрессионном анализе, что ошибки x в модели регрессии y=a+b₁x₁+…+b_px_p+x имеют нормальное распределение.

Коэффициенты робастной регрессии вычисляются решением задачи:

где r(t) имеет вид (8.29).

Дата добавления: 2014-11-25