Взвешенное среднее Тьюки

Материал из MachineLearning.

(Различия между версиями)

Riabenko (Обсуждение | вклад)
(Новая: Один шаг вычисления взвешенного среднего Тьюки Взвешенное среднее Тьюки ...)
К следующему изменению →

Версия 13:24, 12 мая 2010

Один шаг вычисления взвешенного среднего Тьюки

Взвешенное среднее Тьюки - оценка среднего значения выборки, устойчивая к наличию выбросов. Алгоритм вычисления оценки носит итерационный характер. До достижения сходимости повторяются следующие шаги:

Вычисляется оценка среднего значения выборки (в начала работы алгоритма - обычная медиана).
Определяются расстояния от вычисленного среднего до каждого элемента выборки. Согласно этим расстояниям, элементам выборки присваиваются различные веса, с учётом которых среднее значение пересчитывается. Характер весовой функции таков, что наблюдения, отстоящие от среднего достаточно далеко, не вносят большого вклада в значение взвешенного среднего.

Часто используют только одну итерацию вычисления оценки.

Содержание

1 Одношаговый метод вычисления оценки^[1]
2 Итерационный метод вычисления оценки
3 Литература
4 Примечания

Одношаговый метод вычисления оценки^[1]

Пусть имеется выборка $x=\left\{x_1,\ldots,x_n\right\}.$ По ней рассчитывается медиана $M$ , затем для каждого наблюдения - модуль его отклонения от медианы. Величина $S$ - медиана выборки $\left\{\left|x_1-M\right|,\ldots,\left|x_n-M\right|\right\}$ - называется абсолютным отклонением среднего (англ. Median Absolute Deviation, MAD) и является мерой вариации выборки.

Для каждого элемента выборки $x_i$ вычисляется отклонение от среднего: $u_i=\frac{x_i-M}{cS+\eps}, \:\: i=1,\ldots,n,$ где $c$ - параметр, от которого зависит чувствительность к отклонениям от среднего, $\eps$ - малая постоянная величина, назначение которой - исключить возможность деления на ноль.

Для взвешивания используется биквадратичная функция: $w\left(u\right)=\left\{ \left(1-u^2\right)^2, \:\: \left|u\right| \leq 1, \\ 0, \:\:\: \left|u\right|>1. \right.$

Итоговое значение среднего вычисляется по следующей формуле:
$T_{bi}=\frac{\sum_i w\left(u_i\right)x_i}{\sum_i w\left(u_i\right)}.$

Дополнительное преимущество алгоритма - возможность рассчитать доверительный интервал для оценки при помощи приближения распределением Стьюдента. Симметричный $(1-\alpha)$ % доверительный интервал даётся формулой
$T_{bi}\pm t_{df}^{(1-\alpha/2)} \cdot\frac{S_{bi}}{\sqrt{n}},\:\:\: S_{bi} = \sqrt{n}\cdot \frac {\sqrt{ \sum_{\left|u_i\right|\leq 1} \left(x_i-T_{bi}\right)^2 \left(1-u^2 \right)^4 } } { \left| \sum_{\left|u_i\right|\leq 1} \left(1-u_i^2\right) \left(1-5u_i^2\right) \right| },$
где $t_{df}^{(1-\alpha/2)}$ - $\left(1-\alpha/2\right)$ -квантиль распределения Стьюдента с числом степеней свободы $df=\max\left(0.7*(n-1),1\right).$