问题标签 [robust]

我正在尝试使用迭代重新加权最小二乘法来估计方程的系数：

y = a0 + a1 * cos(2*pi/365 * x) + b1 * sin(2*pi/365 * x) + c1 * x

当我使用 IRLS 来拟合这个方程时，我得到一个错误：

我该如何处理这个问题？有没有其他方法使用 IRLS 来估计系数？

我在确定一个系统时遇到了一些问题，即它的某些物理特性值是稳定的，但对于其他物理特性值是不稳定的。

即使是一个基本的例子也会有很大帮助，维度 2 完全没问题。

我没有问题弄清楚数学上稳健的稳定性意味着什么，但我找不到任何物理例子。

实际上，我正在寻找的更可能是一个具有有限稳健稳定性裕度的系统。外部参考也很好，在此先感谢。

我正在尝试在 R 中复制 Stata 输出。我正在使用数据集事务。我无法用稳健的标准误差复制概率函数。

Stata 代码如下所示：

probit affair male age yrsmarr kids relig educ ratemarr, r

我开始了：

然后我尝试了对sandwich包的各种调整，例如：

或（所有类型HC0为HC5）：

或者，正如这里所建议的那样（我是否必须输入不同的内容object？）：

这些尝试都没有导致来自 stata 输出的相同标准错误或 z 值。

希望有建设性的意见！

提前致谢！

让我们假设属于 2 个独立进程的 2 个线程共享同一个互斥对象。如果持有互斥锁的线程A突然死亡；线程 B 如何能够恢复互斥锁并获得锁。我知道在其他平台上，您可以将互斥锁声明为健壮的 [pthread_mutexattr_setrobust]，然后使用 [pthread_mutex_consistent] 来恢复互斥锁。但这些功能在 AIX 7.1 上不可用

我是 R 的初学者，也许这个问题在其他地方得到了回答。但我找不到关于它的答案。我正在尝试执行ANCOVAusing package WRS2，所以我写了这个公式：

ancova(dep2~CCog+dep1 data=depres)

但我总是收到相同的错误消息：

Error in ancova(dep2~CCog+dep1 data=depres) : object 'change' not found

我不知道是什么问题，我试图用不同的数据进行分析，但我有同样的问题。

lmRob我在包中拟合了一个多元模型，robust我喜欢这种拟合。如何使用拟合在给定点进行预测？骇人听闻的解决方案是绘制它并在绘图上放置水平线和垂直线以精确定位

我怎样才能给模型一个点，并让它吐回预测？我想象它是这样的：

但这给了我错误：

是traceback()：

如果我只是尝试将原始数据集传递给predict，我会得到：

添加适当的因子水平会修复第一个警告，但会留下第二个警告。

我对这篇论文Robust rebuild of Indoor Scenes(2015CVPR)很感兴趣，但是我无法运行作者提供的这个项目。我已经给作者发了邮件，但是没有回复。有没有人运行过一次。有一个关于“无法共享库”的问题。我真的不知道是我的错还是他的错。希望得到你的答复！！谢谢！！

我目前正在研究混合整数线性规划问题，我想知道是否有任何可用的关于 R 中的鲁棒优化的软件包。

提前致谢。

我想在 R 中复制一个 Stata do.file（面板模型），但不幸的是我最终得到了错误的标准误差估计。这些数据是专有的，所以我不能在这里发布。使用的 Stata 代码如下所示：

对于fe固定效果，nonest表明面板没有嵌套在集群中，并且dfadj由于发生了某种 DF 调整这一事实 - 目前尚无法确定哪种类型。

我的 R 代码看起来像这样，让我最终得到正确的系数值：

现在是困难的部分，到目前为止我还没有找到解决方案，即使在尝试了多种标准误差稳健估计方法之后，例如广泛使用lmtest各种自由度变换方法。标准错误应该遵循国家-年份对模式（由countrycodeidStata代码中的变量捕获，其形式为codeid-year，因为某些变量似乎缺少数据，而这些数据不能按月获得。

有谁知道在使用不平衡面板和包装时是否需要牢记特殊技巧，plm()可以使用哪种 DF 调整，以及是否有可能按coeftest()国家/地区对函数中的数据进行分组？

我有以下向量：

我正在使用稳健拟合以获得y=f(x)=m*x+p最适合 y 与 x 的线性函数，忽略可能的异常值：

我得到一个斜坡m = b(2) = 1.0402 +/- 0.0559

和一个 y 截距p = b(1) = 5.1496e-06 +/- 1.6907e-04

不确定性是我从中得到的值stats.se，根据手册，它们是系数估计的“标准”误差。但是正如您所见，y 截距的不确定性太大，这似乎没有任何意义（如果我们得到的不确定性不可靠，那么使用稳健拟合有什么意义？）。任何有关改进这一点的帮助将不胜感激！

非常感谢您！