Библиография

1. 1. Greene W.H. Econometric Analysis: 8th ed. New York. Pearson. 2020.
2. 2. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Исследование зависимостей. М.: Финансы и статистика, 1985. С. 488.
3. 3. Робастные методы статистического анализа навигационной информации: Обзор. Авторы-сост. Н.В. Бабкин, А.А. Мусаев, А.В. Макшанов; Под ред. И.Б. Челпанова. Л.: ЦНИИ «Румб», 1985. 206 с.
4. 4. Орлов А.И. О требованиях к статистическим методам анализа данных (обобщающая статья) // Заводская лаборатория. Диагностика материалов. 2023. Т. 89. № 11. С. 98-106. https://doi.org/10.26896/1028-6861-2023-89-11-98-106
5. 5. Salls D., Torres J.R., Varghese A.C., Patterson J., Pal A. Statistical Characterization of Random Errors Present in Synchrophasor Measurements // IEEE Power & Energy Society General Meeting (PESGM), Washington, DC, USA. 2021. P. 1—5. https://doi.org/10.1109/PESGM46819.2021.9638135
6. 6. Ives A.R. Random Errors are Neither: On the Interpretation of Correlated Data // Methods in Ecology and Evolution. 2022. V. 13. No. 10. P. 2092-2105. https://doi.org/10.1111/2041-210X.13971
7. 7. Колобов А.Б. Вибродиагностика: теория и практика. М.: Инфра-Инженерия, 2019. 252 с.
8. 8. Dodge Y. The Concise Encyclopedia of Statistics. Springer. 2008. P. 616. https://doi.org/10.1007/978-0-387-32833-1
9. 9. Акимов П.А., Матасов А.И. Итерационный алгоритм для 11-аппроксимации в динамических задачах оценивания // АиТ. 2015. № 5. С. 7-26.
10. 10. Граничин О.Н., Поляк Б.Т. Рандомизированные алгоритмы оценивания и оптимизации при почти произвольных помехах. М.: Наука, 2003. 291 с.
11. 11. Назин А.В., Немировский А.С., Цыбаков А.Б., Юдицкий А.Б. Алгоритмы робастной стохастической оптимизации на основе метода зеркального спуска // АиТ. 2019 № 10. С. 78-99. https://doi.org/10.1134/S000523101909006X
12. 12. Guo L., Ljung L. Performance analysis of general tracking algorithms // IEEE Transactions on Automatic Control. 1995. V. 40. No. 8. P. 138-1402. https://doi.org/10.1109/9.402230
13. 13. Campi M.C., Weyer E. Guaranteed non-asymptotic confidence regions in system identification // Automatica. 2005. V. 41. No. 10. P. 1751-1764. https://doi.org/10.1016/j.automatica.2005.05.005
14. 14. Мудров В.И., Кушко В.Л. Методы обработки измерений: Квазиправдоподобные оценки. М.: URSS, 2022. С. 304.
15. 15. Голованов О.А., Тырсин А.Н. Спуск по узловым прямым и симплекс-алгоритм -два варианта регрессионного анализа на основе метода наименьших модулей // Заводская лаборатория. Диагностика материалов. 2024. Т. 90. № 5. С. 79-87. https://doi.org/10.26896/1028-6861-2024-90-5-79-87
16. 16. Дикин И.И. Итеративное решение задач линейного и квадратичного программирования // Доклады АН СССР. 1967. Т. 174. № 4. С. 747-748.
17. 17. Karmarkar N. A New Polynomial-Time Algorithm for Linear Programming // Combinatorica. 1984. V. 4. No. 4. P. 373-395. https://doi.org/10.1145/800057.808695
18. 18. Bayer D.A., Lagarias J.C. The Nonlinear Geometry of Linear Programming I: Affine and Pro jective Scaling Tra jectories // Transactions of the American Mathematical Society. 1989. V. 314. P. 499-526. https://doi.org/10.1090/S0002-9947-1989-1005525-6
19. 19. Воронцова Е.А., Хильдебрандт Р.Ф., Гасников А.В., Стонякин Ф.С. Выпуклая оптимизация. М.: МФТИ, 2021. С. 364.
20. 20. Зоркальцев В.И. Метод внутренних точек: история и перспективы // Журн. вычисл. мат. и мат. физики. 2019. Т. 59. № 10. С. 1649-1665. https://doi.org/10.1134/S0044466919100181
21. 21. Nesterov Yu., Nemirovski A. Interior-Point Polinomial Algorithms in Convex Programming // SIAM Studies in Applied Mathematics. Philadelphia: SIAM. 1994. V. 13. P. 414.
22. 22. Lee Y.T., Yue M.-C. Universal Barrier is n-Self-Concordant // E-print. 2018. https://doi.org/10.48550/arXiv.1809.03011
23. 23. Bubeck S., Eldan R. The Entropic Barrier: Exponential Families, Log-Concave Geometry, and Self-Concordance // Mathematics of Operations Research. 2019. V. 44. No. 1. P. 264-276. https://doi.org/10.1287/moor.2017.0923
24. 24. Панюков А.В., Мезал Я.А. Параметрическая идентификация квазилинейного разностного уравнения // Вест. Южно-Урал. гос. ун-та. Серия: Математика. Механика. Физика. 2019. Т. 11. № 4. С. 32-38. https://doi.org/10.14529/mmph190404
25. 25. Barrodale I., Roberts F.D.K. An improved algorithm for discrete L1 linear approximation // SIAM J. Numer. Anal. 1973. V. 10. P. 839-848.
26. 26. Тырсин А.Н. Алгоритмы спуска по узловым прямым в задаче оценивания регрессионных уравнений методом наименьших модулей // Заводская лаборатория. Диагностика материалов. 2021. Т. 87. № 5. С. 68-75. https://doi.org/10.26896/1028-6861-2021-87-5-68-75
27. 27. Голованов О.А., Тырсин А.Н. Модификация метода наименьших модулей на основе градиентного спуска по узловым прямым // Математические методы в технологиях и технике. 2023. № 11. С. 43-46. https://doi.org/10.52348/2712-8873_MMTT_2023_11_43
28. 28. Wesolowsky G.O. A New Descent Algorithm for the Least Absolute Value Regression Problem // Communications in Statistics, Simulation and Computation. 1981. V. B10. No. 5. P. 479-491.
29. 29. Li Y., Arce G.R. A Maximum Likelihood Approach to Least Absolute Deviation Regression // EURASIP J. Advan. Signal Proc. 2004. V. 12. P. 1762-1769. https://doi.org/10.1155/S1110865704401139
30. 30. Wei Xue, Wensheng Zhang, Gaohang Yu. Least absolute deviations learning of multiple tasks // J. Indust. Management Optim. 2018. No. 14(2). P. 719-729. https://doi.org/10.3934/jimo.2017071
31. 31. Зоркальцев В.И., Дикин И.И. Итеративное решение задач математического программирования (алгоритмы метода внутренних точек). Новосибирск: Наука, 1980. 144 с.
32. 32. Филатов А.Ю. Развитие алгоритмов внутренних точек и их приложение к системам неравенств // Дисс.... канд. физ.-мат. наук, 05.13.18. Иркутск. 2001. С. 123.
33. 33. Тужиков Е.Н. Методика оценки эффективности деятельности органов местного самоуправления по обеспечению первичных мер пожарной безопасности (на примере Свердловской области) // Дисс.... канд. техн. наук, 05.13.10. Екатеринбург. 2014. С. 186.
34. 34. Ein-Dor P., Feldmesser J. Attributes of the Performance of Central Processing Units: a Relative Performance Prediction Model // Communications of the ACM. 1987. V. 30. No. 4. P. 308-317.
35. 35. Тырсин А.Н., Хасан Х.А.М. Анализ факторов, влияющих на урожайность зерновых культур в Ираке (на примере Киркука) // Математические методы в технике и технологиях. 2024. № 8. С. 81-87.