Influence Measures in Ridge Linear Measurement Error Models

به‌طور معمول در مدل‌هاي خطي با خطا در اندازه‌گيري وقتي بين متغيرهاي تبييني پنهان هم‌خطي چندگانه وجود دارد شناسايي مشاهده‌هاي موثر دشوار است. همچنين در چنين مدل‌هايي براي اندازه‌گيري اثر هم‌خطي روي مشاهده‌ها، آماره‌هاي تاثير معرفي نشده‌اند. در اين مقاله نوعي براوردگر ريج بر اساس تابع درستنمايي تصحيح‌شده براي مدل‌هاي خطي با خطا در اندازه‌گيري تعريف شده است. در ادامه نشان خواهيم داد وقتي كه از اين نوع براوردگر براي كاهش هم‌خطي استفاده شود اثر هم‌خطي بر روي مشاهده‌هاي موثر به‌شدت تعديل مي‌شود. همچنين چند آماره‌ي تاثير براي شناسايي مشاهده‌هاي موثر در مواجهه با چنين مدل‌هايي تعريف خواهيم كرد.

Usually the existence of influential observations is complicated by the presence of collinearity in linear measurement error models. However no method of influence measure available for the possible effectʹs that collinearity can have on the influence of an observation in such models. In this paper, a new type of ridge estimator based corrected likelihood function (REC) for linear measurement error models is defined. We show when this type of ridge estimator is used to mitigate the effects of collinearity the influence of some observations can be drastically modified. We propose a case deletion formula to detect influential points in REC. As an illustrative example two real data set are analysed.