Расстояние Кука

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
Строка 5: Строка 5:
== Определение ==
== Определение ==
-
Расстояние Кука измеряет эффект удаления данного наблюдения. Точки данных с большими остатками ( выбросов ) и / или высокой рычагов может исказить результат и точность регрессии. Очки с большого расстояния Кука считаются заслуживают более пристального изучения в анализе.
+
Расстояние Кука оценивает эффект от удаления одного (рассматриваемого) наблюдения и вычисляется по следующей формуле:
-
<math>D_i = \frac{ \sum_{j=1}^n (\hat Y_j\ - \hat Y_{j(i)})^2 }{p \ \mathrm{MSE}} .</math>
+
:<tex> D_i = \frac{ \sum_{j=1}^n (\hat Y_j\ - \hat Y_{j(i)})^2 }{p \ \mathrm{MSE}} </tex>
 +
где,
 +
 +
<tex>\hat Y_j</tex> - предсказание регрессионной модели, построенной по всей выборке, получаемое для <tex>j</tex>-ого наблюдения;
 +
 +
<tex>\hat Y_{j(i)}</tex> - предсказание регрессионной модели, построенной по выборке без <tex>j</tex>-ого наблюдения, получаемое для <tex>j</tex>-ого наблюдения;

Версия 12:34, 6 декабря 2013

Расстояние Кука (Cook's distance) является широко используемым методом оценки влияния соответствующего наблюдения (элемента выборки) на уравнение регрессии. Эта величина показывает разницу между вычисленными коэффициентами уравнения регрессии и значениями, которые получились бы при исключении соответствующего наблюдения. В адекватной модели все расстояния Кука должны быть примерно одинаковыми; если это не так, то имеются основания считать, что соответствующее наблюдение (или наблюдения) смещает оценки коэффициентов регрессии.

Метод назван в честь американского статистика Р. Денниса Кука , который ввел данное понятие в 1977 году.

Определение

Расстояние Кука оценивает эффект от удаления одного (рассматриваемого) наблюдения и вычисляется по следующей формуле:


 D_i =  \frac{ \sum_{j=1}^n (\hat Y_j\ - \hat Y_{j(i)})^2 }{p \ \mathrm{MSE}}

где,

\hat Y_j - предсказание регрессионной модели, построенной по всей выборке, получаемое для j-ого наблюдения;

\hat Y_{j(i)} - предсказание регрессионной модели, построенной по выборке без j-ого наблюдения, получаемое для j-ого наблюдения;


Замечания

Личные инструменты