Regresyon modelinde çoklu bağlantı durumunda jackknifed tahmin edicileri üzerine bir çalışma

Birçok araştırmacı, çoklu doğrusal regresyonda çoklu bağlantı probleminin etkisini azaltmak için Jackknife tekniğini kullanmadan yanlı tahmin geliştirmiştir. Jackknife yanlı tahmini, en iyi tahmin ediciyi belirlemek için çoklu doğrusallık problemini çalışmış ve iyi özelliklere sahip olmasının yanı sıra, önceki literatürde mevcut olan Jackknife tahmin edicilerinin kapsamlı bir incelemesini yaparak onların üstesinden gelmiştir. Bu tez, çoklu doğrusal modelde bu tahmin edicilerin yüksek varyansının etkisini azaltmanın yanı sıra yanlılığı da azaltmak için yanlı tahmin edicide uygulanan Jackknife tekniğine dayanmaktadır. Ayrıca, çoklu doğrusal regresyon modelinde Jackknife Liu tipi tahmin ediciye (JLTE) dayalı "geliştirilmiş Jackknife Liu tipi tahmin edici (IJLTE)" olarak adlandırılan yeni bir tahmin edici önerilmiştir. Teorik olarak bazı yanlı tahmin edicilerle kıyaslandığında, IJLTE'nin performansı, uyum iyiliğinin bir ölçüsü olarak ortalama kareler hatasına (MSE) dayalı olarak kanıtlanmıştır. IJLTE tahmincisi, bazı teoremleri simüle ederken kanıtlanmış olan farklı yanlı tahmin edicilerle kıyaslandığında iyi özelliklere sahiptir. Jackknifed yanlı tahmin ediciler ve yanlı tahmin ediciler arasında, ortalama ardışık hata kriterlerine (MSE) dayalı olarak bu ailelerden en iyi tahmin ediciyi belirlemk için sayısal bir örneğin yanı sıra bir de simülasyon çalışması yapılmıştır.