Jackknife-after-bootstrap method for detection of outliers and influential observations in linear regression models

Abstract

Bu tezde, Bradley Efron (1992) tarafından istatistiğin standart hatasını ve yanlılığını tahmin etmek için önerilen ve ayrıca Martin ve Roberts (2006) tarafından etkin gözlemleri belirlemek için geliştirilen jackknife-after-bootstrap metodu incelenmiştir. Ek olarak, bu metot t-star istatistiği, Likelihood Distance, Welsch's Distance ve Modified Cook's Distance gibi çeşitli etkinlik ölçümleri için genişletilmiştir. Bundan başka, bu metodun terminolojisi ve algoritması detaylı bir şekilde incelenmiştir. Bu çalışmalar çeşitli simülasyon çalışmaları ve gerçek dünya örnekleri ile desteklenmiş ve sonuçları geleneksel metotların sonuçları ile karşılaştırılmıştır. Bu simülasyon programları R 2.14.0 programı kullanılarak çalıştırılmıştır. Ayrıca bu tezde, sufficient bootstrap metodu da çalışılmış ve bu metot jackknife-after-bootstrap algoritması ile birlikte uygulanmıştır. Biz bu metodu sufficient jackknife-after-bootstrap metodu olarak adlandırıyoruz. Aynı simülasyon çalışmaları ve gerçek dünya örnekleri bu metot için çalıştırılmış ve sonuçları jackknife-after-bootstrap metodunun sonuçları ile karşılaştırılmıştır. In this thesis, the jackknife-after-bootstrap method which was proposed by Bradley Efron (1992) for estimating the standard errors and bias of a statistic, and proposed by Martin and Roberts in the context of influence diagnostics have been investigated. In addition, this method extended for several influence measures such as t-star statistic, Likelihood Distance, Welsch' Distance and Modified Cook's Distance. Moreover, the therminology and algorithm of this method have been studied in detail. The studies were supported with several simulation studies and real-world examples, and the results were compared with traditional results. These simulation programs have been run by using R 2.14.0. Also in this study, the sufficient bootstrap have been studied, and it was applied with jackknife-after-bootstrap algorithm. We call this method as sufficient jackknife-after-bootstrap method. The same simulation studies and real-world examples have been carried out for this method, and the results were compared with conventional jackknife-after-bootstrap results.