Regresi robust adalah teknik analisis regresi yang dapat menangani data yang terkontaminasi oleh outlier atau data yang tidak normal. Outlier adalah nilai yang jauh berbeda dari nilai-nilai lain dalam kumpulan data, dan dapat mengganggu model regresi dan menyebabkan hasil yang tidak akurat. Regresi robust mencoba untuk meminimalkan pengaruh outlier dan data yang tidak normal pada model regresi.

Pada dasarnya, regresi robust adalah metode yang bertujuan untuk menghasilkan model regresi yang lebih stabil dan akurat, bahkan dalam kasus data yang tidak ideal. Teknik ini dapat digunakan dalam berbagai jenis analisis regresi, termasuk regresi linier, regresi logistik, dan regresi Poisson.

Regresi robust berbeda dari teknik regresi lainnya karena ia menggunakan algoritma yang memperhitungkan keberadaan outlier dan data yang tidak normal. Algoritma ini menerapkan bobot yang lebih rendah pada outlier dan data yang tidak normal, sehingga mereka memiliki pengaruh yang lebih kecil pada model regresi.

Salah satu teknik regresi robust yang umum adalah regresi M-estimator. Regresi M-estimator adalah teknik yang menggunakan fungsi loss yang berbeda dari fungsi loss yang digunakan dalam analisis regresi konvensional. Fungsi loss ini memberikan bobot yang lebih rendah pada outlier dan data yang tidak normal, dan memperhitungkan data yang paling umum dalam kumpulan data. Selain estimasi M, ada beberapa estimasi lain dalam regresi robust diantaranya estimasi Least Median Square, estimasi Least Trimmed Square, estimasi S dan estimasi Method of Moment.

Teknik regresi robust juga sering digunakan dalam analisis statistik yang melibatkan pengumpulan data yang tidak lengkap atau tidak akurat. Teknik ini dapat membantu menghasilkan hasil yang lebih akurat dan dapat diandalkan bahkan dalam kondisi data yang tidak ideal. Namun, teknik ini juga memiliki kelemahan, seperti waktu komputasi yang lebih lama dan kompleksitas yang lebih tinggi daripada teknik regresi konvensional.