python稳健回归_Python-statsmodel稳健线性回归（RLM）异常值选择

stats模型中的RLM仅限于M估计量。默认的Huber范数仅对y中的异常值具有鲁棒性，而在x中不具有鲁棒性，即对不良影响点不具有鲁棒性。在

像bisquare这样的重定准则能够去除不好的影响点，但解决方案是局部最优的，需要合适的起始值。那些具有较低崩溃点并且对诸如LTS这样的x异常值具有鲁棒性的方法目前在statsmodels中都不可用，在Python中也不存在。R有一套更广泛的稳健估计，可以处理这些情况。添加更多方法和模型的扩展statsmodels.健壮正在请求拉入，当前已暂停。在

总的来说，回答问题的第二部分：

在特定情况下，通常很难将观察结果声明或标识为异常值。研究人员通常使用稳健的方法来指出需要进一步调查的离群候选者。例如，一个原因可能是“离群值”是从不同的人群中取样的。在许多情况下，使用纯机械的统计识别可能并不合适。在

在这个例子中：如果我们拟合了一个陡坡，并将a点作为一个离群值，那么点B和C可能非常适合，并且不会被识别为异常值。另一方面，如果A是基于额外信息的合理点，那么这种关系可能是非线性的。

我的猜测是，它将声明A为唯一的异常值，并拟合一条陡峭的回归线。在