Ein einfaches Modell mit einer gravierenden Schwäche: Eine Gerade kann überzeugend aussehen, bis schlechte Messungen sie vom Kurs abbringen. Lineare Regression bleibt wertvoll für die physikalische Interpretation, ressourcenbeschränkte Geräte und Rechenverzögerungen, aber Ordinary Least Squares behandelt jede Beobachtung als vertrauenswürdig. Ein fehlerhafter Sensor, Kommunikationsfehler oder eine verzerrte Messung kann Beobachtungen erzeugen, die weit von der beabsichtigten Beziehung entfernt sind. Da OLS jeden Residual quadriert, können einige solche Beobachtungen einen unverhältnismäßig großen Einfluss haben. Robuste Schätzer versuchen, zu verhindern, dass diese Beobachtungen das Modell dominieren. Die Figuren 1 und 2 zeigen, wie schnell sich das Bild ändern kann. Bei sauberen Beobachtungen folgt OLS der nominalen Beziehung eng. Nach dem Austausch von 30 % der Antworten durch Ausreißer wird derselbe Schätzer stark weggedrückt. Eine repräsentative robuste Anpassung bleibt jedoch viel näher an der Beziehung, die von den nominalen Beobachtungen unterstützt wird. Dieser Artikel vergleicht OLS als nicht-robuste Referenz mit fünf robusten Schätzern: Huber-Regression, RANSAC, Graduated Non-Convexity mit Geman-McClure-Verlust, GNC mit Truncated Least-Squares-Verlust und Adaptive Selective Outlier Rejecting. Die Schätzer werden anhand von Vorhersagefehler und Laufzeit bewertet, um sowohl statistische Genauigkeit als auch Rechenleistung zu erfassen. Der Autor hat ASOR in der ursprünglichen Studie entwickelt, die zitiert wird, was einen transparenten Vergleich mit dokumentierten Einstellungen über Monte-Carlo-Realisierungen hinweg ermöglicht.

Schlüsselentitäten: Unternehmen: Towards Data Science | Personen: Legendre, Huber, Fischler und Bolles, Geman, Mc Clure, Yang, Chughtai