Directions in Robust Statistics and Diagnostics: Part II

این جلد IMA در ریاضیات و دستورالعمل‌های کاربردی آن در آمار و تشخیص قوی، بر اساس نتایج چهار هفته اول برنامه تابستانی شش هفته‌ای IMA 1989 «استحکام، تشخیص، محاسبات و گرافیک در آمار» است. یکی از اهداف مهم سازمان دهندگان این بود که مجموعه وسیعی از آماردانان را که در استحکام یا تشخیص کار می کنند، به همکاری در زمینه مشکلات چالش برانگیز در این زمینه ها، به ویژه در رابطه بین آنها، بکشانند. ما از سازمان دهندگان برنامه استحکام و تشخیص نوئل کرسی، توماس پی. هتمنسپگر، پیتر جی. هوبر، آر. داگلاس مارتین، و به ویژه ورنر استاهل و سانفورد وایزبرگ که جلسات را ویرایش کردند، تشکر می کنیم. فریدمن ویلارد میلر، جونیور مقدمه موضوعات اصلی همه آمار تخمین، پیش‌بینی و تصمیم‌گیری در شرایط عدم قطعیت است. یک رویکرد استاندارد برای این اهداف از طریق مدل سازی پارامتریک است. مدل‌های پارامتریک می‌توانند ساختار کافی برای مشکل به وجود آورند تا امکان استفاده از پارادایم‌های استاندارد و به خوبی درک شده برای استنتاج مورد نیاز را فراهم کند. با این حال، اگر مدل پارامتریک کاملاً صحیح نباشد، روش‌های استنتاجی استاندارد ممکن است پاسخ‌های معقولی را ارائه نکنند. در ربع قرن گذشته، به ویژه با ظهور محاسبات آسان، توجه بیشتری به مسئله استنتاج زمانی که مدل پارامتری مورد استفاده به درستی مشخص نشده است، معطوف شده است.

This IMA Volume in Mathematics and its Applications DIRECTIONS IN ROBUST STATISTICS AND DIAGNOSTICS is based on the proceedings of the first four weeks of the six week IMA 1989 summer program "Robustness, Diagnostics, Computing and Graphics in Statistics". An important objective of the organizers was to draw a broad set of statisticians working in robustness or diagnostics into collaboration on the challenging problems in these areas, particularly on the interface between them. We thank the organizers of the robustness and diagnostics program Noel Cressie, Thomas P. Hettmansperger, Peter J. Huber, R. Douglas Martin, and especially Werner Stahel and Sanford Weisberg who edited the proceedings. A vner Friedman Willard Miller, Jr. PREFACE Central themes of all statistics are estimation, prediction, and making decisions under uncertainty. A standard approach to these goals is through parametric mod­ elling. Parametric models can give a problem sufficient structure to allow standard, well understood paradigms to be applied to make the required inferences. If, how­ ever, the parametric model is not completely correct, then the standard inferential methods may not give reasonable answers. In the last quarter century, particularly with the advent of readily available computing, more attention has been paid to the problem of inference when the parametric model used is not correctly specified.