Robust Nonparametric Statistical Methods

Thomas P. Hettmansperger, J. W. McKean, T. P. Hettmansperger

ISBN 10: 0340549378 / ISBN 13: 9780340549377

Edité par ARNOLD PUBLISHERS, 1998

A propos de cet article

Zustand: Gut | Seiten: 484 | Sprache: Englisch | Produktart: Bücher.

N° de réf. du vendeur 2384796/203

Détails bibliographiques

• Titre: Robust Nonparametric Statistical Methods
• Éditeur: ARNOLD PUBLISHERS
• Date de parution: 1998
• Langue: anglais
• ISBN à 10 chiffres: 0340549378
• ISBN à 13 chiffres: 9780340549377
• Reliure: Couverture rigide
• État de l'article: Gut
• Catalogues du vendeur:
  • Bücher

A propos de ce titre

Synopsis

Les procédures statistiques traditionnelles sont largement utilisées car elles offrent à l'utilisateur une méthodologie unifiée avec laquelle s'attaquer à une multitude de problèmes, des problèmes de localisation simples aux conceptions expérimentales très complexes. Ces procédures sont basées sur l'ajustement des moindres carrés, mais peuvent être facilement altérées par des observations périphériques. En effet, une observation périphérique suffit à gâcher l'ajustement des moindres carrés, ses diagnostics et procédures d'inférence associés. Même si les méthodes d'inférence traditionnelles sont exactes lorsque les erreurs dans le modèle suivent une distribution normale, elles peuvent être assez inefficaces lorsque la distribution des erreurs a des queues plus longues que la distribution normale.



Ce livre offre une alternative, basée sur les rangs des données, à l'approche des moindres carrés. Les sujets comprennent des modèles de localisation à un et deux échantillons, des modèles linéaires (y compris des régressions multiples et des expériences conçues) et des modèles multivariés. Des tests de classement et des estimations pour tous les modèles sont développés, y compris l'influence limitée et les méthodes de ventilation élevée. L'accent est mis sur l'efficacité et la robustesse et toutes les méthodes sont illustrées sur des ensembles de données.

Présentation de l'éditeur

Traditional statistical procedures are widely used because they offer the user a unified methodology with which to attack a multitude of problems, from simple location problems to highly complex experimental designs. These procedures are based on least squares fitting, but can be easily impaired by outlying observations. Indeed one outlying observation is enough to spoil the least squares fit, its associated diagnostics and inference procedures. Even though traditional inference methods are exact when the errors in the model follow a Normal distribution, they can be quite inefficient when the distribution of the errors has longer tails than the Normal distribution.

This book offers an alternative, based on ranks of the data, to the least squares approach. Topics include one- and two-sample location models, linear models (including multiple regression and designed experiments), and multivariate models. Rank tests and estimates for all models are developed, including bounded influence and high breakdown methods. Emphasis is on efficiency and robustness and all methods are illustrated on data sets.