Nonparametric bootstrap for estimating variability of robust regression estimators

0517255 - ÚI 2020 RIV CZ eng L4 - Software
Kalina, Jan - Tichavský, Jan - Tobišková, Nicole
Nonparametric bootstrap for estimating variability of robust regression estimators.
Internal code: Nonparametric Bootstrap 1.0 ; 2019
Technical parameters: Kód v programovacím jazyce R spustitelný samostatně podle dokumentace, která je součástí jednotlivých souborů. Spuštění vyžaduje knihovnu robustbase. Dostupné pod licencí MIT.
Economic parameters: Software umožňuje uživateli odhadnout varianční matici robustních regresních odhadů pomocí neparametrického bootstrapu. Pro některé z odhadů by jiný způsob výpočtu byl značně složitý a vyžadoval by využít komerční software, pro LWS odhad není jiný způsob výpočtu ani známý. Software tak výrazně usnadňuje práci s robustními regresními odhady.
R&D Projects: GA ČR(CZ) GA19-05704S
Institutional support: RVO:67985807
Keywords : robust regression * nonparametric bootstrap * outliers * covariance matrix
OECD category: Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
https://github.com/jankalinaUI/Bootstrap-LWS

While various robust regression estimators are available for the standard linear regression model, an explicit formula for the covariance matrix is available only for some of them. The procedure implemented in R software performs a nonparametric bootstrap computation of the covariance matrix for several available linear regression estimators: S-estimators, MM-estimators, least trimmed squares, and least weighted squares estimators. Especially for the least weighted squares estimator, this software allows a unique approximate computation, because the explicit formula for the covariance matrix depends on the unknown random errors. It is the main advantage of the presented (nonparametric) procedure that it does not rely on probabilistic assumptions for the random regression errors.
Permanent Link: http://hdl.handle.net/11104/0302552


Research data: Github.com