线性回归中多个异常点的稳健诊断及医学应用.pdfVIP

，孑7 ) J。， 』 。 ／ 6“‘1‘ ， ， 常点的稳健诊断及医学应用 J 山西医科大学卫生缱计教 ㈣ ㈨ 王 彤 何大卫 一 一 一 ；7 提 要 目的：车研究试图解决多个异常点情况下经典回归诊断方} 中存在的掩盖现象。方法 采用 f LMS与MVE估计后求得的残差与稳健的马氏距离作为诊断量，且均以重复抽样算法实现．结果：该法得 到的诊断量明显优于传统方法．且可作出直观的诊断图示。结论：此法可有效地克服医学回归数据诊断中 脯 关键词哩 ! 龟±墨堂：皇掩盖璺堕笪生 、 。堂掩盖 { 归 7 2 为确保回归分析的恰当应用，回归诊断技术 rain(reed R ) ‘ 已受到普遍重视…。尤其是在描述复杂生命现 它表示：对于各点残差平方值，不通过传统 象的医学回归数据中，可能的异常点数目常常 的求和后取极小，而是取其中位数的极小值得 不只一个，而且通常无法预知。为了克服经典诊 到相应的回归系数估计值。由于中位数对异常 断方法不能解决的掩盖现象，先后有许多统计 点的稳健性，故使得此准则下的参数估计值不 学家提出基于传统最小二乘法的各种回归诊断 受异常点的干扰。 量，但它们大都存在主观估计异常点数目 的 2．标准化LMs残差的算法 问题，对k估计偏小时诊断效能不高。 。本文采 (1)确定重复抽样次数SN 用另一种思路，即检查某种稳健拟台后的残差 (2)从 个观察值中每次随机抽取P+1个 与稳健的x空间距离以识别异常点。估计方法 不同样本点(假定方程不能过原点，P为x变量 为LMS(Least Median ofSquares)回归准则与 个数)代入方程，通过解P+1元方程组，得到一 MVE(Minimum Volume Ellipsoid)估计，实例 个回归参数向量估计值6『 分析显示该法可有效地检测出线性回归模型中 (3)将6J代回方程，计算所有 个点的残差 的多个异常点．且能够作出直观的诊断图示，是 平方RYs(i~1．“ )，并求其中位数 。 医学回归数据分析的有力手段。 (4)从所得到的SN个样本的各个 中取 最小值脚 ，将其对应的b 作为I9的LMS估 方法原理 计，此时相应的 个尺n值即为LMS残差。 一 、 识别y方面异常点的诊断量 (5)将各点残差尺 除以标准化度量尺度 1．LMS回归准则 S，得到各点标准化LMS残差RR．。其中S一 针对多个异常点存在时可能发生的掩盖现 1．4826 C ，户)Mr，C(n，p)=1+15／( —P)为 象，本文采用了失效点(breakdown point)高达 模拟得到的小样本校正因子，可使多元正态分 5O 的 最小平方中位数 (即LMS)回归