robust检验python_regplot（）的robust选项到底做了什么？

相关系数与回归系数

Kendall和Spearman相关性是衡量两个变量之间关联程度的指标，即两个变量之间的关联程度。结果是一个相关系数，这是一个统计数据，它告诉你事物是如何相关的(1是一个完美的关系，0是一个完美的关系缺失)，在粗略的意义上，这种相关性的方向性(-1代表一个负斜率)。同样需要注意的是，Spearman和Kendall相关系数都对异常值敏感，Spearman方法更为敏感。在

另一方面，Robust Linear Regression是线性回归的一个特例，它是寻找2个或更多变量之间关系的一种方法。你可以把它看作是找到“最佳拟合线”的一种方法。线性回归的结果是回归系数，它是衡量(方向和坡度)响应如何随变量变化的度量。在

“经典”与稳健线性回归

通常，线性回归使用Ordinary Least Squares, or OLS来寻找回归系数，目标是最小化残差的平方和(估计线和实际数据之间的差值的平方根)。这对异常值非常敏感：x = np.arange(0,10,0.2)

y = (x*0.25)+np.random.normal(0,.1,50)

y[[12,14,18,24]] -= 4

sns.regplot(x,y, robust = False)

注意这行是如何被离群值拖下来的。在很多情况下，这是你想要看到的行为。在

另一方面，健壮的回归方法除了使用OLS外，通常使用不同的度量来寻找回归系数，例如最小化least trim squares，它本质上