Least Weighted Squares: Simulation Studies

Abstract

Tato práce zkoumá odhad nejmenších vážených čtverců (LWS) jako robustní alterna- tivu k tradičnějším regresním metodám, které bývají někdy citlivé na odlehlé hodnoty a heteroskedasticitu. Jsou představeny koncepty vah závislých na datech a různé odhady rozptylu, jako je sendvičová metoda nebo neparametrický bootstrap. Simulační studie porovnávají nejmenší vážené čtverce s jinými robustními odhady z hlediska přesnosti a preciznosti a ukazují jejich přednosti v některých z uvažovaných modelů.

This thesis investigates the least weighted squares estimator (LWS) as a robust alter- native to more traditional regression methods, which are sometimes sensitive to outliers and heteroscedasticity. Concepts of data-dependent weights and various variance estima- tors, as the sandwich method or nonparametric bootstrap, are introduced. Simulation studies compare LWS with other robust estimators in terms of accuracy and precision and demonstrate its strength in some of the considered model designs.