مباحث تشخيصي در مدل‌هاي خطي آميخته نيمه‌پارامتري با خطاي اندازه‌گيري

Influence Diagnostics in Semiparametric Linear Mixed Measurement Error Models

تمام مشاهدات نقش يكسان در مدل‌هاي آماري ندارند. گاهي برخي از مشاهدات اثرات نامناسبي روي نتايج تحليل رگرسيوني‌ دارند. بنابراين شناسايي چنين مشاهداتي در تحليل داده‌ها از اهميت ويژه‌اي برخوردار است. براي شناسايي چنين مشاهداتي از روش‌هاي تشخيصي استفاده مي شود. در مقاله حاضر با استفاده از روش حذف موردي و مدل انتقال ميانگين نقاط دورافتاده، مباحث تشخيصي در مدل خطي آميخته نيمه‌پارامتري با خطا در اندازه‌گيري مورد بررسي قرار گرفته است. علاوه بر مباحث حذف موردي، مباحث حذف آزمودني نيز ارايه شده است. در پايان عملكرد مباحث تشخيصي با استفاده از مجموعه داده‌هاي واقعي و يك مثال شبيه‌سازي نشان داده شده است.

Semiparametric linear mixed measurement error models are extensions of linear mixed measurement error models to include a nonparametric function of some covariate. They have been found to be useful in both cross-sectional and longitudinal studies. In this paper first we propose a penalized corrected likelihood approach to estimate the parametric component in semiparametric linear mixed measurement error model and then using the case deletion and subject deletion analysis we survey the influence diagnostics in such models. Finally, the performance of our influence diagnostics methods are illustrated through a simulated example and a real data set.