En estadística robusta, una regresión robusta es una forma de análisis de la regresión diseñada para eludir algunas limitaciones tradicionales de los métodos paramétricos y no paramétricos. El análisis de regresión busca encontrar la relación entre una o más variables independientes y una variable dependiente. Algunos métodos utilizados de regresión, como mínimos cuadrados ordinarios, tienen propiedades favorables si sus suposiciones subyacentes se cumplen para los datos estudiados, pero pueden dar resultados engañosos si esas suposiciones no son ciertas; se dice que mínimos cuadrados ordinarios no es robusto a violaciones de los supuestos. Los métodos de regresión robusta están diseñados para no ser excesivamente afectados por violaciones de los supuestos por el proceso de generación de d

Property Value
dbo:abstract
  • En estadística robusta, una regresión robusta es una forma de análisis de la regresión diseñada para eludir algunas limitaciones tradicionales de los métodos paramétricos y no paramétricos. El análisis de regresión busca encontrar la relación entre una o más variables independientes y una variable dependiente. Algunos métodos utilizados de regresión, como mínimos cuadrados ordinarios, tienen propiedades favorables si sus suposiciones subyacentes se cumplen para los datos estudiados, pero pueden dar resultados engañosos si esas suposiciones no son ciertas; se dice que mínimos cuadrados ordinarios no es robusto a violaciones de los supuestos. Los métodos de regresión robusta están diseñados para no ser excesivamente afectados por violaciones de los supuestos por el proceso de generación de datos subyacente. En particular, las estimaciones con los mínimos cuadrados son altamente no robustos a los valores atípicos. Si bien no existe una definición exacta de un valor atípico o de una observación atípica, los valores atípicos son observaciones que no siguen el patrón de las otras observaciones. Esto no es normalmente un problema si el valor atípico es simplemente una observación extrema extraída de la cola de una distribución normal, pero si los resultados atípicos de error de medición no normal o alguna otra violación de supuestos ordinarios de mínimos cuadrados estándar, entonces se compromete la validez de los resultados de la regresión si se utiliza una técnica de regresión no-robusta. (es)
  • En estadística robusta, una regresión robusta es una forma de análisis de la regresión diseñada para eludir algunas limitaciones tradicionales de los métodos paramétricos y no paramétricos. El análisis de regresión busca encontrar la relación entre una o más variables independientes y una variable dependiente. Algunos métodos utilizados de regresión, como mínimos cuadrados ordinarios, tienen propiedades favorables si sus suposiciones subyacentes se cumplen para los datos estudiados, pero pueden dar resultados engañosos si esas suposiciones no son ciertas; se dice que mínimos cuadrados ordinarios no es robusto a violaciones de los supuestos. Los métodos de regresión robusta están diseñados para no ser excesivamente afectados por violaciones de los supuestos por el proceso de generación de datos subyacente. En particular, las estimaciones con los mínimos cuadrados son altamente no robustos a los valores atípicos. Si bien no existe una definición exacta de un valor atípico o de una observación atípica, los valores atípicos son observaciones que no siguen el patrón de las otras observaciones. Esto no es normalmente un problema si el valor atípico es simplemente una observación extrema extraída de la cola de una distribución normal, pero si los resultados atípicos de error de medición no normal o alguna otra violación de supuestos ordinarios de mínimos cuadrados estándar, entonces se compromete la validez de los resultados de la regresión si se utiliza una técnica de regresión no-robusta. (es)
dbo:wikiPageExternalLink
dbo:wikiPageID
  • 5883125 (xsd:integer)
dbo:wikiPageLength
  • 13904 (xsd:integer)
dbo:wikiPageRevisionID
  • 120124504 (xsd:integer)
prop-es:apellido
  • McKean (es)
  • Lange (es)
  • Stromberg (es)
  • Draper (es)
  • Breiman (es)
  • Fornalski (es)
  • Tofallis (es)
  • McKean (es)
  • Lange (es)
  • Stromberg (es)
  • Draper (es)
  • Breiman (es)
  • Fornalski (es)
  • Tofallis (es)
prop-es:apellidos
  • Gelman (es)
  • Venables (es)
  • Andersen (es)
  • Ryan (es)
  • Maronna (es)
  • Hampel (es)
  • Faraway (es)
  • Rousseeuw (es)
  • Radchenko S.G. (es)
  • Seber (es)
  • Strutz (es)
  • Gelman (es)
  • Venables (es)
  • Andersen (es)
  • Ryan (es)
  • Maronna (es)
  • Hampel (es)
  • Faraway (es)
  • Rousseeuw (es)
  • Radchenko S.G. (es)
  • Seber (es)
  • Strutz (es)
prop-es:año
  • 1988 (xsd:integer)
  • 1989 (xsd:integer)
  • 2001 (xsd:integer)
  • 2002 (xsd:integer)
  • 2003 (xsd:integer)
  • 2004 (xsd:integer)
  • 2005 (xsd:integer)
  • 2006 (xsd:integer)
  • 2008 (xsd:integer)
  • 2010 (xsd:integer)
  • 2015 (xsd:integer)
prop-es:coautores
  • A. J. Lee (es)
  • A. M. Leroy (es)
  • B. D. Ripley (es)
  • D. Martin and V. Yohai (es)
  • E. M. Ronchetti, P. J. Rousseeuw and W. A. Stahel (es)
  • J. B. Carlin, H. S. Stern and D. B. Rubin (es)
  • R. J. A. Little and J. M. G. Taylor (es)
  • A. J. Lee (es)
  • A. M. Leroy (es)
  • B. D. Ripley (es)
  • D. Martin and V. Yohai (es)
  • E. M. Ronchetti, P. J. Rousseeuw and W. A. Stahel (es)
  • J. B. Carlin, H. S. Stern and D. B. Rubin (es)
  • R. J. A. Little and J. M. G. Taylor (es)
prop-es:doi
  • 101214 (xsd:integer)
  • 101504 (xsd:integer)
  • 102307 (xsd:integer)
prop-es:editorial
  • Springer (es)
  • Wiley (es)
  • Vieweg+Teubner (es)
  • Chapman & Hall/CRC (es)
  • Sage University Paper Series on Quantitative Applications in the Social Sciences, 07-152 (es)
  • Кiev: РР «Sanspariel» ISBN 966-96574-0-7 (es)
  • Springer (es)
  • Wiley (es)
  • Vieweg+Teubner (es)
  • Chapman & Hall/CRC (es)
  • Sage University Paper Series on Quantitative Applications in the Social Sciences, 07-152 (es)
  • Кiev: РР «Sanspariel» ISBN 966-96574-0-7 (es)
prop-es:enlaceautor
  • Peter Rousseeuw (es)
  • Peter Rousseeuw (es)
prop-es:fecha
  • 1986 (xsd:integer)
  • 1997 (xsd:integer)
prop-es:isbn
  • 978 (xsd:integer)
prop-es:jstor
  • 2245578 (xsd:integer)
  • 2290063 (xsd:integer)
  • 2676681 (xsd:integer)
  • 4144426 (xsd:integer)
prop-es:nombre
  • J. J. (es)
  • F. R. (es)
  • A. (es)
  • P. J. (es)
  • R. (es)
  • David (es)
  • L. (es)
  • Tilo (es)
  • Chris (es)
  • A. J. (es)
  • K. L. (es)
  • K. W. (es)
  • Joseph W. (es)
  • T. P. (es)
  • W. N. (es)
  • G. A. F. (es)
  • J. J. (es)
  • F. R. (es)
  • A. (es)
  • P. J. (es)
  • R. (es)
  • David (es)
  • L. (es)
  • Tilo (es)
  • Chris (es)
  • A. J. (es)
  • K. L. (es)
  • K. W. (es)
  • Joseph W. (es)
  • T. P. (es)
  • W. N. (es)
  • G. A. F. (es)
prop-es:número
  • 2 (xsd:integer)
  • 3 (xsd:integer)
  • 4 (xsd:integer)
  • 408 (xsd:integer)
prop-es:publicación
  • Journal of the American Statistical Association (es)
  • Statistical Science (es)
  • Journal of Modern Applied Statistical Methods (es)
  • Journal of Statistical Software (es)
  • International Journal of Society Systems Science (es)
  • Journal of the American Statistical Association (es)
  • Statistical Science (es)
  • Journal of Modern Applied Statistical Methods (es)
  • Journal of Statistical Software (es)
  • International Journal of Society Systems Science (es)
prop-es:páginas
  • 199 (xsd:integer)
  • 239 (xsd:integer)
  • 314 (xsd:integer)
  • 504 (xsd:integer)
  • 526 (xsd:integer)
  • 562 (xsd:integer)
  • 881 (xsd:integer)
prop-es:título
  • Bayesian Data Analysis (es)
  • Statistical Modeling: the Two Cultures (es)
  • Why write statistical software? The case of robust statistical methods (es)
  • Rank-Based Robust Analysis of Linear Models. I. Exposition and Review (es)
  • Applications of the robust Bayesian regression analysis (es)
  • Robust methods for statistical models estimation: Monograph. (es)
  • Least Squares Percentage Regression (es)
  • Linear Models with R (es)
  • Linear Regression Analysis (es)
  • Modern Applied Statistics with S (es)
  • Modern Methods for Robust Regression (es)
  • Modern Regression Methods (es)
  • Robust Analysis of Linear Models (es)
  • Robust Regression and Outlier Detection (es)
  • Robust Statistics: Theory and Methods (es)
  • Robust statistical modeling using the t-distribution (es)
  • Robust Statistics: The Approach Based on Influence Functions (es)
  • Data Fitting and Uncertainty - A practical introduction to weighted least squares and beyond (es)
  • Bayesian Data Analysis (es)
  • Statistical Modeling: the Two Cultures (es)
  • Why write statistical software? The case of robust statistical methods (es)
  • Rank-Based Robust Analysis of Linear Models. I. Exposition and Review (es)
  • Applications of the robust Bayesian regression analysis (es)
  • Robust methods for statistical models estimation: Monograph. (es)
  • Least Squares Percentage Regression (es)
  • Linear Models with R (es)
  • Linear Regression Analysis (es)
  • Modern Applied Statistics with S (es)
  • Modern Methods for Robust Regression (es)
  • Modern Regression Methods (es)
  • Robust Analysis of Linear Models (es)
  • Robust Regression and Outlier Detection (es)
  • Robust Statistics: Theory and Methods (es)
  • Robust statistical modeling using the t-distribution (es)
  • Robust Statistics: The Approach Based on Influence Functions (es)
  • Data Fitting and Uncertainty - A practical introduction to weighted least squares and beyond (es)
prop-es:url
prop-es:volumen
  • 3 (xsd:integer)
  • 7 (xsd:integer)
  • 16 (xsd:integer)
  • 19 (xsd:integer)
  • 84 (xsd:integer)
dct:subject
rdfs:comment
  • En estadística robusta, una regresión robusta es una forma de análisis de la regresión diseñada para eludir algunas limitaciones tradicionales de los métodos paramétricos y no paramétricos. El análisis de regresión busca encontrar la relación entre una o más variables independientes y una variable dependiente. Algunos métodos utilizados de regresión, como mínimos cuadrados ordinarios, tienen propiedades favorables si sus suposiciones subyacentes se cumplen para los datos estudiados, pero pueden dar resultados engañosos si esas suposiciones no son ciertas; se dice que mínimos cuadrados ordinarios no es robusto a violaciones de los supuestos. Los métodos de regresión robusta están diseñados para no ser excesivamente afectados por violaciones de los supuestos por el proceso de generación de d (es)
  • En estadística robusta, una regresión robusta es una forma de análisis de la regresión diseñada para eludir algunas limitaciones tradicionales de los métodos paramétricos y no paramétricos. El análisis de regresión busca encontrar la relación entre una o más variables independientes y una variable dependiente. Algunos métodos utilizados de regresión, como mínimos cuadrados ordinarios, tienen propiedades favorables si sus suposiciones subyacentes se cumplen para los datos estudiados, pero pueden dar resultados engañosos si esas suposiciones no son ciertas; se dice que mínimos cuadrados ordinarios no es robusto a violaciones de los supuestos. Los métodos de regresión robusta están diseñados para no ser excesivamente afectados por violaciones de los supuestos por el proceso de generación de d (es)
rdfs:label
  • Regresión robusta (es)
  • Regresión robusta (es)
owl:sameAs
prov:wasDerivedFrom
foaf:isPrimaryTopicOf
is owl:sameAs of
is foaf:primaryTopic of