正态最小二乘法OLS方法是最常用的回归模型估计方法，但其前提条件之一是随机误差遵循正态分布（即高斯分布）。
然而，现实很复杂，几乎不可能满足这一假设。
在这种情况下，一个好的估计器必须在某种程度上抵抗与假设的轻微偏差。
不幸的是，OLS没有这个功能。
例如，如果随机错误是非正常的，特别是长尾，那么OLS估计器对几个异常值（即异常数据）也非常敏感。
也就是说，一些异常值会对调整结果产生不利影响，并使OLS估算器成为一个非常差的估计量。
事实上，许多学者指出长尾分布的随机误差比正态分布的随机误差更普遍。
在这种情况下，您需要离开OLS并寻找其他有效的估算方法。
要解决这个问题，必须返回一个常量。
所谓的稳健性是在回归分析中抵抗异常数据的不利影响的能力。
如果可以容忍，这种估计方法是稳健的。
另一方面，如果异常数据不能承受它导致回归分析的损害，可以说这种估计方法不稳定。
在回归分析中，异常数据主要表示异常值。
因此，总而言之，稳健回归是一种回归方法，可以检测异常值并在存在异常值时提供可靠的估计。
本文档的原始内容是异常值的识别（帽值法，残差法，残余QQ残差法（分位数 - 分位图法），库克距离法，估计法）。鲁棒回归方法（最后截断平方（LTS），M估计，Huber回归），完整R代码的完整情况。
内容配置