Key points are not available for this paper at this time.
La multicolinéarité dans les modèles de régression linéaire multiples et l'existence de points de données influents sont des problèmes courants. Ces problèmes exercent des effets indésirables sur les estimateurs des moindres carrés. Il est donc très important d'introduire des estimateurs biaisés alternatifs de la régression robuste à crête pour surmonter simultanément l'influence de ces problèmes. Dans cet article, un estimateur de régression robuste biaisé alternatif est défini en mélangeant la technique d'estimation à crête dans l'estimation robuste des moindres carrés médians pour obtenir les moindres carrés médians à crête (RLMS). L'efficacité de l'estimateur combiné (RLMS) est comparée à certains estimateurs de régression existants, à savoir, les moindres carrés ordinaires (LS); régression à crête (RR) et déviation absolue à crête (RLAD). Les résultats numériques de cette étude montrent que l'estimateur de régression RLMS est plus efficace que les autres estimateurs, basé sur des critères de biais et d'erreur quadratique moyenne pour de nombreuses combinaisons de points de données influents et de degré de multicolinéarité. Mots-clés : Points de données influents ; Multicolinéarité ; Régression à crête ; Déviation absolue à crête ; Estimation des moindres carrés médians à crête ; Critères de biais et d'erreur quadratique moyenne.
Moawad El-Fallah Abd El-Salam (Jeu,) a étudié cette question.