روش‌های تشخیصی درمدل‌های خطی ریج نیمه‌پارامتری با خطا در اندازه‌گیری

نوع مقاله : مقاله پژوهشی

نویسنده

دانشگاه زنجان

چکیده

در این مقاله، مباحث تشخیصی در مدل های خطی نیمه‌پارامتری با خطا در اندازه‌گیری با وجودهمخطی چندگانه مطالعه می شود. در ابتدا برای برطرف نمودن اثرات همخطی چندگانه، با استفاده از روش ماکزیمم درستنمایی تصحیح شده تاوانیده برآوردگرهای ریجپیشنهاد می شود و سپس براساس رویکرد حذف موردی، آماره‌های تشخیصی برای شناسایی و ارزیابی مشاهدات مؤثر در برآوردگرهای پیشنهادی معرفی می‌شوند. در ادامه نشان داده می شود که این آماره‌ها تابعی از مقادیر باقی مانده و داده‌های نافذ هستند. علاوه بر رویکرد حذف موردی، رویکرد تأثیر موضعی بر پایه لگاریتم درستنمایی تصحیح شده تاوانیده جهت شناسایی و ارزیابی مشاهدات دورافتاده و موثر در مدل مورد بحث تعمیم داده شده است. سپس با استفاده از مطالعه شبیه سازی کارایی براوردگرهای پیشنهادی باتوجه به معیار میانگین خطای مجانبی ارزیابی می شود و در پایان روش‌های تشخیصی مطرح شده به یک مجموعه داده واقعی مورد تحلیل و بررسی قرار گرفته است

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Influence diagnostics in ridge semi parametric linear measurement error models

نویسنده [English]

  • Hadi Emami
چکیده [English]

In this paper influence diagnostics in the semi parametric linear measurement error is studied when the problem of multicollinearity is exist. First to combat multicollinearity, some ridge estimators are proposed based the penalized corrected likelihood approach, then using case deletion method the influence measures are defined to detect influential observations. In continue it is shown these measures are function of residuals and leverages. Furthrer more local influence approach is developed based the penalized likelihood function for assessing the influence of points. A simulation study is performed to illustrate the efficiency of proposed ridge estimators based on the asymptotically mean square error. Finally, the influence diagnostic approaches are applied to a real data.

کلیدواژه‌ها [English]

  • Generalized cross validation
  • Linear measurement error models
  • Ridge estimator
  • Semiparametric linear models
  • Spline smoother
[1]  Cook,  R.  D.  (1977).  Detection  of  Influential  Observations  in  Linear  Regression. Technometrics, 19, 15-18. 
[2]  Cook,  R.  D.  and  Wesiberg,  S.  (1982).  Residuals and Influence in Regression. Chapman & Hall, New York  [3] Belsley, D. A., Kuh. E. and Welsch. R. E. (1980). Regression Diagnostics: Identifying Influential Data and Soureces of
Collinearity. John Wiley &  Sons, New York. 
[4] Kim, C. (1996). Cook’s Distance in Spline Smoothing, Statist Proba Lett.,  31, 139-144.  [5]  Kim,  C.,  Park,  B.  U.  and  Kim,  W.  (2002).  Influence  Diagnostics  in  Semiparametric Regression Models, Statist. Probab. Lett, 60, 49-58.