هنگامی‌که در مجموعه داده‌ها، مشاهدات دور افتاده وجود دارند روش رگرسیون استوار، جایگزین مناسبی برای رگرسیون معمولی است. همچنین اگر مشاهدات، فازی باشند نیز روش‌های رگرسیون معمول، نمی‌توانند راه‌گشای مدل‌بندی اینگونه از مشاهدات باشند و در این حالت روش رگرسیون فازی، روش جایگزین مناسبی است. برای حالتی که مشاهدات، فازی بوده و در مجموعه داده‌ها، مشاهدات دور افتاده وجود داشته باشند از روش‌های جایگزین استوار فازی استفاده می‌شود. در این مقاله برای حالتی که متغیر‌های وابسته و ضرایب رگرسیونی اعداد فازی بوده و مجموعه داده‌ها حاوی مشاهدات دور افتاده است، تحلیل رگرسیون کمترین توان‌های دوم فازی اصلاح شد‌‌‌ه‌ای مطرح می‌شود. در این روش برای مقایسه مجموعه‌های فازی، باقی‌مانده‌ها رتبه‌بندی می‌شوند. باقی‌مانده‌ها با استفاده از شاخص حضور سراسری برای هر مجموعه فازیOM‎ به دست می‌آیند. سپس ماتریس وزن توسط تابع عضویت باقیمانده‌ها تعریف می‌شود و براورد‌های کمترین توان‌های دوم فازی موزون با استفاده از ماتریس وزن بدست می‌آیند. برای نشان دادن عملکرد روش پیشنهادی، دو مثال را مطرح و نتایج حاصل از آنها ارائه می‌شود. 

یکی از عوامل تأثیرگذار در تحلیل آماری داده‌ها، وجود مشاهده‌های دورافتاده است. به روش‌هایی که تحت تأثیر مشاهده‌های دورافتاده قرار نمی‌گیرند، روش‌های آماری استوار گفته می‌شود. علاوه بر وجود مشاهده‌های دورافتاده، وجود وابستگی خطی میان متغیرهای پیشگو، که از آن با عنوان هم‌خطی چندگانه یاد می‌شود و نیز تعداد زیاد متغیرها در مقابل اندازۀ کم نمونه، به خصوص در مدل‌های تُنک با بعد بالا، از دیگر مشکلاتی هستند که منجر به کاهش کارایی استنباط‌های حاصل از روش‌های کلاسیک رگرسیونی می‌شوند.

در این مقاله، ابتدا معایب روش رگرسیونی کلاسیک کمترین توان‌های دوم در مقابل مشاهده‌های دورافتاده، هم‌خطی چندگانه و مدل‌های تنک را بررسی می‌کنیم. سپس به معرفی و بررسی روش‌های رگرسیون استوار و رگرسیون تاوانیده به عنوان راهکارهای حل این مشکلات می‌پردازیم. همچنین با در نظر گرفتن مشاهده‌های دورافتاده و هم‌خطی چندگانه و یا مدل‌های تنک به‌طور هم‌زمان به بررسی روش‌های رگرسیون استوار تاوانیده می‌پردازیم.

در نهایت به‌منظور مقایسۀ عملکرد براوردگرهای مختلف مطرح شده در این مقاله، ابتدا سه مطالعۀ شبیه‌سازی را انجام داده و سپس به تحلیل یک مجموعه دادۀ واقعی با استفاده از روش‌های رگرسیون استوار تاوانیده می‌پردازیم.

روش کمترین واگرایی توان چگالی یک برآورد استوار در مواجهه با موقعیت‌هایی که داده‌ها شامل تعدادی داده پرت هستند ارائه می‌دهد. در این پژوهش به معرفی و استفاده از برآوردگر استوار کمترین واگرایی توان چگالی برای برآورد پارامترهای مدل رگرسیون خطی پرداخته و در ادامه با چند مثال عددی از رگرسیون خطی، استواری این برآوردگر را در مواجهه با مجموعه داده‌هایی که شامل تعدادی داده پرت هستند نشان می‌دهیم.