Tại sao RansAC không được sử dụng rộng rãi nhất trong thống kê?

Xuất phát từ lĩnh vực thị giác máy tính, tôi thường sử dụng phương pháp RANSAC (Đồng thuận mẫu ngẫu nhiên) để phù hợp với các mô hình với dữ liệu có nhiều ngoại lệ.

Tuy nhiên, tôi chưa bao giờ thấy nó được sử dụng bởi các nhà thống kê và tôi luôn có ấn tượng rằng nó không được coi là một phương pháp "thống kê âm thanh". Tại sao lại như vậy? Nó là ngẫu nhiên trong tự nhiên, làm cho nó khó phân tích hơn, nhưng các phương pháp bootstrapping cũng vậy.

Hay chỉ đơn giản là một trường hợp silo học thuật không nói chuyện với nhau?

Tôi nghĩ rằng chìa khóa ở đây là loại bỏ một phần lớn dữ liệu trong RANSAC.

Trong hầu hết các ứng dụng thống kê, một số phân phối có thể có đuôi nặng và do đó số lượng mẫu nhỏ có thể làm sai lệch ước tính thống kê. Công cụ ước tính mạnh mẽ giải quyết điều này bằng cách cân dữ liệu khác nhau. Mặt khác, RANSAC không cố gắng đáp ứng các ngoại lệ, nó được xây dựng cho các trường hợp các điểm dữ liệu thực sự không thuộc về, không chỉ phân phối không theo quy tắc.

Đối với chúng tôi, nó chỉ là một ví dụ về hồi quy mạnh mẽ - tôi tin rằng nó cũng được sử dụng bởi các nhà thống kê, nhưng có thể không quá rộng vì nó có một số lựa chọn thay thế được biết đến nhiều hơn.

Điều này nghe có vẻ giống như đóng bao là một kỹ thuật thường được sử dụng.

Bạn vứt bỏ dữ liệu với RANSAC, có khả năng mà không cần chứng minh, nhưng dựa trên việc tăng mức độ phù hợp của mô hình. Vứt bỏ dữ liệu để tăng sự phù hợp thường là tránh xa vì bạn có thể mất dữ liệu quan trọng. Loại bỏ các ngoại lệ mà không biện minh luôn luôn là vấn đề.

Đó là lý do có thể để biện minh cho nó. Ví dụ: nếu bạn biết dữ liệu nên theo một mẫu nhất định, nhưng cũng có sự sai lệch trong dữ liệu so với mẫu do lỗi trong các phép đo.