شناسایی مشاهدات پرت در مدل رگرسیونی ریج تحت محدودیت‌های خطی تصادفی

در تحلیل رگرسیونی مطالعه مباحث تشخیصی شامل تعیین مشاهدات موثر و نقاط پرت از اهمیت ویژه ای برخوردار است. حساسیت روش کمترین توان های دوم نسبت به حضور مشاهدات موثر و داده های پرت در مدل موجب شد که گامی در جهت توسعه مباحث تشخیصی به منظور ارائه معیارهایی برای اندازه گیری تاثیر و شدت وابستگی به این مشاهدات برداشته شود. تعیین مشاهدات موثر و نقاط پرت در داده ها، زمانی که متغیرهای مستقل همخطی داشته باشند، بسیار پیچیده و مشکل است و خصوصاً اینکه حضور همخطی می تواند برخی از داده های غیرعادی را پوشش دهد. یکی از روش های مورد توجه برای تعیین مشاهدات پرت، روش انتقال میانگین است. در این مقاله، روش انتقال میانگین را برای برآوردگر ریج تحت محدودیت های خطی تصادفی؛ که به منظور کاهش اثر همخطی استفاده شده، تعمیم داده و برای این برآوردگر آماره آزمون جهت شناسایی مشاهدات پرت ارائه خواهد شد. در نهایت توانایی این روش را با استفاده از یک مثال کاربردی از داده های واقعی نشان داده می شود.

Outlier Detection in Ridge Regression Model Under Stochastic Linear Restrictions

The study of regression diagnostic, including identification of the influential observations and outliers, is of particular importance. The sensitivity of least squares estimators to the outliers and influential observations lead to extending the regression diagnostic in order to provide criteria to assess the anomalous observations. Detecting influential observations and outliers in the presence of collinearity is a complicated task, in the sense that collinearity may cover some of the unusual data. One of the considerable methods to identify outliers is the mean shift outliers method. In this article, we extend the mean shift outliers method to the ridge estimates under linear stochastic restrictions, which is used to reduce the effect of collinearity, and to provide the test statistic to identify the outliers in these estimators. Finally, we show the ability of our proposed method using a practical example of real data.