@cardinal 在评论中电报了一个答案。让我们充实一下。他的观点是，虽然一般线性模型（例如由lmand 实现，在这种情况下，glmRob）似乎旨在评估变量之间的关系，但它们也可以成为研究单个变量的强大工具。诀窍依赖于这样一个事实，即根据常数回归数据只是估计其平均值（“位置”）的另一种方式。

例如，生成一些泊松分布的数据：

set.seed(17)
x <- rpois(10, lambda=2)

在这种情况下，的泊松分布中生成值R的向量。估计它的位置：$(1,5,2,3,2,2,1,1,3,1)$x$2$glmRob

library(robust)
glmrob(x ~ 1, family=poisson())

响应告诉我们截距估计为。当然，任何使用统计方法的人都需要知道它是如何工作的：当您使用泊松族的广义线性模型时，标准的“链接”函数是对数。这意味着截距是估计位置的对数。所以我们计算$0.7268$

exp(0.7268)

结果非常接近：该过程似乎有效。要查看它在做什么，请绘制数据：$2.0685$$2$

plot(x, ylim=c(0, max(x)))
abline(exp(0.7268), 0, col="red")

拟合线是纯水平的，因此估计了垂直值的中间值：我们的数据。这就是正在发生的一切。

为了检查稳健性，让我们通过在 的第一个值上添加几个零来创建一个糟糕的异常值x：

x[1] <- 100

这一次，为了在后期处理中获得更大的灵活性，我们将保存输出glmRob：

m <- glmrob(x ~ 1, family=poisson())

要获得估计的平均值，我们可以要求

exp(m$coefficients)

这次的值等于$2.496$: 有点偏离，但不会太远，因为x( 获得mean(x)) 的平均值是$12$. 这就是这个过程“稳健”的意义。更多信息可以通过

summary(m)

除其他外，它的输出向我们展示了与离群值相关的权重$100$在x[1]只是$0.02179$， 几乎$0$，查明可疑的异常值。