Научный журнал «Вестник Череповецкого государственного университета»
Статья
DOI:
Полный текст:
В работе сделан краткий обзор публикаций по применению методов регрессионного анализа при исследовании сложных технических и экономических объектов с учетом возможности группировки наблюдений обрабатываемых выборок данных. В частности, выделены: новый метод обнаружения различных линейных структур в наборе данных, называемый алгоритмом линейной группировки; логарифмическая регрессионная модель для сгруппированных данных о выживаемости при наличии множества межфакторных связей; методы группировки водосборов с точки зрения их эффективности при прогнозировании удельного расхода воды с низким стоком; байесовские подходы к групповому отбору для моделей линейной регрессии; модель иерархической логистической регрессии для изучения данных с групповой структурой и бинарной переменной отклика. Авторами построены две версии кластерной линейной регрессии для объема выручки
ПАО «Магнитогорский металлургический комбинат» с помощью методов наименьших модулей и антиробастного оценивания. Модели различаются даже по знакам оценок параметров (в том числе в частных регрессиях), при этом составы индексных множеств номеров наблюдений для этих регрессий в обоих вариантах совпадают. Это свидетельствует о том, что при использовании указанных методов для построения кластерных линейных регрессий эти составы могут как разниться, с учетом упомянутых в статье работ, так и совпадать, в зависимости от свойств каждой конкретной выборки данных.
ПАО «Магнитогорский металлургический комбинат» с помощью методов наименьших модулей и антиробастного оценивания. Модели различаются даже по знакам оценок параметров (в том числе в частных регрессиях), при этом составы индексных множеств номеров наблюдений для этих регрессий в обоих вариантах совпадают. Это свидетельствует о том, что при использовании указанных методов для построения кластерных линейных регрессий эти составы могут как разниться, с учетом упомянутых в статье работ, так и совпадать, в зависимости от свойств каждой конкретной выборки данных.
ММК. Годовая финансовая отчетность МСФО. URL:
(дата обращения: 30.03.2026).
MMK. Annual IFRS financial statements. Available at:
(accessed: 30.03.2026). (In Russ.)
Носков С. И., Беляев С. В. Антиробастное оценивание параметров кластерной линейной регрессии. Учёные записки КнАГТУ, 2025, № 3 (83), с. 41–45.
Noskov S. I., Belyaev S. V. Anti-robust estimation of cluster linear regression parameters. KnASTU Scientific Notes, 2025, no. 3 (83), pp. 41–45. (In Russ.)
Носков С. И., Беляев С. В. Оценка непротиворечивости кластерной линейной регрессионной модели. Вестник Технологического университета, 2025, т. 28, № 2, с. 88–91.
Noskov S. I., Belyaev S. V. Assessment of the consistency of a cluster linear regression model. Herald of Technological University, 2025, vol. 28, no. 2, pp. 88–91. (In Russ.)
Носков С. И., Беляев С. В., Чекалова А. Р. Построение кластерной линейной регрессионной модели потребления электроэнергии в Сибирском федеральном округе. Вестник Череповецкого государственного университета, 2026, № 1 (130), с. 26–35.
Noskov S. I., Belyaev S. V., Chekalova A. R. Construction of a cluster-based linear regression model for electricity consumption in the Siberian Federal District. Cherepovets State University
Bulletin, 2026, no. 1 (130), pp. 26–35. (In Russ.)
Bilder C. R., Tebbs J. M. Bias, efficiency, and agreement for group-testing regression models. Journal of Statistical Computation and Simulation, 2009, vol. 79, no. 1, pp. 67–80.
Choi Y., Park N.-W., Lee W. Data-driven segmentation of observation-level logistic regression models. Journal of the Royal Statistical Society. Series C: Applied Statistics, 2025, vol. 74, no. 4, pp. 1077–1099.
Fagerland M. W., Hosmer D. W. How to test for goodness of fit in ordinal logistic regression models. The Stata Journal, 2017, vol. 17, no. 3, pp. 668–686.
Groothuis-Oudshoorn C. G. M., Miedema H. M. E. Multilevel grouped regression for analyzing self-reported health in relation to environmental factors: The model and its application. Biometrical Journal, 2006, vol. 48, no. 1, pp. 67–82.
Hashimoto E. M., Ortega E. M. M., Cordeiro G. M., Barreto M. L. The log-Burr XII regression model for grouped survival data. Journal of Biopharmaceutical Statistics, 2012, vol. 22, no. 1, pp. 141–159.
Laaha G., Blöschl G. A comparison of low flow regionalisation methods – catchment grouping. Journal of Hydrology, 2006, vol. 323, no. 1–4, pp. 193–214.
Lai W.-T., Chen R.-B. A review of Bayesian group selection approaches for linear regression models. WIREs Computational Statistics, 2021, vol. 13, no. 4, e1513.
Paccagnella O. Centering or not centering in multilevel models? The role of the group mean and the assessment of group effects. Evaluation Review, 2006, vol. 30, no. 1, pp. 66–85.
Van Aelst S., Wang X., Zamar R. H., Zhu R. Linear grouping using orthogonal regression.
Computational Statistics & Data Analysis, 2006, vol. 50, no. 5, pp. 1287–1312.
(дата обращения: 30.03.2026).
MMK. Annual IFRS financial statements. Available at:
(accessed: 30.03.2026). (In Russ.)
Носков С. И., Беляев С. В. Антиробастное оценивание параметров кластерной линейной регрессии. Учёные записки КнАГТУ, 2025, № 3 (83), с. 41–45.
Noskov S. I., Belyaev S. V. Anti-robust estimation of cluster linear regression parameters. KnASTU Scientific Notes, 2025, no. 3 (83), pp. 41–45. (In Russ.)
Носков С. И., Беляев С. В. Оценка непротиворечивости кластерной линейной регрессионной модели. Вестник Технологического университета, 2025, т. 28, № 2, с. 88–91.
Noskov S. I., Belyaev S. V. Assessment of the consistency of a cluster linear regression model. Herald of Technological University, 2025, vol. 28, no. 2, pp. 88–91. (In Russ.)
Носков С. И., Беляев С. В., Чекалова А. Р. Построение кластерной линейной регрессионной модели потребления электроэнергии в Сибирском федеральном округе. Вестник Череповецкого государственного университета, 2026, № 1 (130), с. 26–35.
Noskov S. I., Belyaev S. V., Chekalova A. R. Construction of a cluster-based linear regression model for electricity consumption in the Siberian Federal District. Cherepovets State University
Bulletin, 2026, no. 1 (130), pp. 26–35. (In Russ.)
Bilder C. R., Tebbs J. M. Bias, efficiency, and agreement for group-testing regression models. Journal of Statistical Computation and Simulation, 2009, vol. 79, no. 1, pp. 67–80.
Choi Y., Park N.-W., Lee W. Data-driven segmentation of observation-level logistic regression models. Journal of the Royal Statistical Society. Series C: Applied Statistics, 2025, vol. 74, no. 4, pp. 1077–1099.
Fagerland M. W., Hosmer D. W. How to test for goodness of fit in ordinal logistic regression models. The Stata Journal, 2017, vol. 17, no. 3, pp. 668–686.
Groothuis-Oudshoorn C. G. M., Miedema H. M. E. Multilevel grouped regression for analyzing self-reported health in relation to environmental factors: The model and its application. Biometrical Journal, 2006, vol. 48, no. 1, pp. 67–82.
Hashimoto E. M., Ortega E. M. M., Cordeiro G. M., Barreto M. L. The log-Burr XII regression model for grouped survival data. Journal of Biopharmaceutical Statistics, 2012, vol. 22, no. 1, pp. 141–159.
Laaha G., Blöschl G. A comparison of low flow regionalisation methods – catchment grouping. Journal of Hydrology, 2006, vol. 323, no. 1–4, pp. 193–214.
Lai W.-T., Chen R.-B. A review of Bayesian group selection approaches for linear regression models. WIREs Computational Statistics, 2021, vol. 13, no. 4, e1513.
Paccagnella O. Centering or not centering in multilevel models? The role of the group mean and the assessment of group effects. Evaluation Review, 2006, vol. 30, no. 1, pp. 66–85.
Van Aelst S., Wang X., Zamar R. H., Zhu R. Linear grouping using orthogonal regression.
Computational Statistics & Data Analysis, 2006, vol. 50, no. 5, pp. 1287–1312.
Ключевые слова:
модель, кластерная линейная регрессия, методы наименьших модулей и антиробастного оценивания, задача линейно-булева программирования, металлургический комбинат
Для цитирования:
Носков С. И., Бутин А. А., Кириллов И. Д. Некоторые особенности группировки наблюдений при построении кластерной линейной регрессии методами наименьших модулей и антиробастного оценивания параметров. Вестник Череповецкого государственного университета, 2026, № 5 (134), с. 31–39. https://doi.org/10.23859/1994-0637-2026-5-134-3; EDN: WONPKU
Контент доступен под лицензией Creative Commons Attribution 4.0 License.