SlideServe
Télécharger Obtenir Pro
Menu
Accueil Pro
Préférences
ApparenceLight Aide et commentaires
© SlideServe · v2026

Robust estimation methods

moanna avatar
moanna
8 diapositives · 492 Views · Feb 26, 2014

mean X. Robust estimation methods. Robust estimation methods are relatively insensitive to “bad” data. Example: using median rather than mean: Mean X minimizes the sum of squared errors (SSE): Median X M minimizes the sum of absolute errors (SSE): Proof: use Heaviside step function:.

Robust estimation methods - slide 1
01 / 8Robust estimation methods
1 / 17

Télécharger la présentation

Robust estimation methods
Une image / un lien ci-dessous est fourni (tel quel) pour télécharger la présentation

Politique de téléchargement : le contenu du site vous est fourni TEL QUEL pour votre information et votre usage personnel ; il ne peut être vendu, concédé sous licence ni partagé sur d’autres sites sans l’accord de son auteur.Le contenu vous est fourni TEL QUEL, pour votre information et votre usage personnel uniquement. Téléchargez la présentation en cliquant sur ce lien. Lors du téléchargement, si vous ne parvenez pas à télécharger une présentation, l’éditeur a peut-être supprimé le fichier de son serveur.Pendant le téléchargement, si vous ne parvenez pas à obtenir une présentation, le fichier a peut-être été supprimé par l’éditeur.

F I N

Plus de contenu associé

Transcription de la présentation

  1. mean X Robust estimation methods • Robust estimation methods are relatively insensitive to “bad” data. • Example: using median rather than mean: • Mean X minimizes the sum of squared errors (SSE): • Median XM minimizes the sum of absolute errors (SSE): • Proof: use Heaviside step function: median XM 1 –1

  2. How the median minimises SAE • Need to show that the median minimises the expected value of the sum of absolute errors: 0 (since X-XM=0 when H’ = 1 and H’=0 for all other values of X - XM)

  3. Mean and median • The median is less sensitive to outliers than the mean. • Although the median is unbiased it is not a minimum-variance estimator. • Note how standard deviation of the median varies with sample size in comparison to standard deviation of the mean. Mean Median Median Mean

  4. 1 0 -1 Evaluation of median without sorting • A useful application:

  5. Window Median filtering and sigma-clipping • Median filtering: take window of N points • Replace central point by median of the N points. • Sigma-clipping: • Fit all points by minimising 2 • Set threshold K and check for outliers at ± K or more • Repeat fit omitting largest outlier • Iterate until set of rejected points converges. Reject Reject

  6. Using 2min to reject models • Suppose we fit M parameters to N data points: • We use N-M because an N - parameter fit should fit N points exactly. • If model is good, then the best-fit 2min should be:

  7. x What if 2min is too high? • Several possibilities to consider: • Statistical fluke – use 2 distribution to estimate probability • Wrong model – use 2 distribution to reject model • Right model, but additional (nuisance) parameters not correctly chosen: • Error bars too small. Re-scale. • The third possibility adds a constant to 2min . • Can still use 2min +1 to set 1- confidence intervals on parameter values. x

  8. 2=1 2min N–M Diagnosis of 2min ≠ N-M ±√2(N-M) N–M 2= 2min /(N–M) >1 2= 2min /(N–M) < 1 2min N–M 2min > N–M due to under-estimation of error bars 2min > N–M due to unimportant parameters omitted from model 2min < N–M due to over-estimation of error bars If this happens use these values to estimate errors on parameters