목차

[영문] CONTENTS
1 Introduction and Overview = 1
2 Detecting Influential Observations and Outliers = 6
 2.1 Theoretical Foundations = 9
  Single-Row Effects = 12
   Deletion = 12
 Coefficients and Fitted Values. The Hat Matrix. Residuals. Covariance Matrix.
   Differentiation = 24
   A Geometric View = 26
   Criteria for Influential Observations = 27
 External Scaling. Internal Scaling. Gaps.
   Partial-Regression Leverage Plots = 30
  Multiple-Row Effects = 31
   Deletion = 31
   Studentized Residuals and Dummy Variables = 33
   Differentiation = 35
   Geometric Approaches = 37
  Final Comments = 38
 2.2 Application : an Intercountry Life-Cycle Savings Function = 39
  A Diagnostic Analysis of the Model = 39
   The Model and Regression Results = 40
   Single-Row Diagnostics = 42
 Residuals. Leverage and Hat-Matrix Diagonals. Coefficient Sensitivity. Covariance Matrix Sensitivity. Change in Fit. Internal Scaling. A Provisional Summary.
   Multiple-Row Diagnostics = 51
 Partial-Regression Leverage Plots : a Preliminary Analysis. Using Multiple-Row Methods. Deletion. Residuals. Differentiation. Geometry.
  Final Comments = 63
 Appendix 2A : Additional Theoretical Background = 64
  Deletion Formulas = 64
  Differentiation Formulas = 65
  Theorems Related to the Hat Matrix = 66
   Size of the Diagonal Elements. Distribution Theory. Dummy Variables and Singular Matrices.
 Appendix 2B : Computational Elements = 69
  Computational Elements for Single-Row Diagnostics = 69
   Orthogonal Decompositions, the Least-Squares Solution, and Related Statistics. The Diagonal Elements of the Hat Matrix. Computing the DFBETA.
  Computational Elements for Multiple-Row Diagnostics = 75
   Notation and the Subset Tree. An Algorithm for the Geometric Measure, Wilks' Dummy Variables, Sequential Choleski Decomposition, and the Andrews-Pregibon Statistic. Further Elements Computed from the Triangular Factors. Inequalities Related to MDFFI
3 Detecting and Assessing Collinearity = 85
 3.1 Introduction and Historical Perspective = 85
  Overview = 91
  Historical Perspective = 92
  A Basis for a Diagnostic = 96
 3.2 Technical Background = 98
  The Singular-Value Decomposition = 98
   Exact Linear Dependencies : Rank Deficiency = 99
   The Condition Number = 100
   Near Linear Dependencies : How Small is Small? = 104
  The Regression-Coefficient Variance Decomposition = 105
  Two Interpretive Considerations = 107
   Near Collinearity Nullified by Near Orthogonality = 107
   At Least Two Variates Must Be Involved = 108
   An Example = 110
  A Suggested Diagnostic Procedure = 112
   The Diagnostic Procedure = 112
   Examining the Near Dependencies = 113
   What is “Large” or “High,” = 114
  The Ill Effects of Collinearity = 114
   Computational Problems = 114
   Statistical Problems = 115
   Harmful Versus Degrading Collinearity = 115
 3.3 Experimental Experience = 117
  The Experimental Procedure = 117
   The Choice of the X's = 119
   Experimental Shortcomings = 119
   The Need for Column Scaling = 120
   The Experimental Report = 121
  The Individual Experiments = 121
  The Results = 125
 3.4 Summary Interpretation, and Examples of Diagnosing Actual Data for Collinearity = 152
  Interpreting the Diagnostic Results : a Summary of the Experimental Evidence = 152
   Experience with a Single Near Dependency = 153
   Experience with Coexisting Near Dependencies = 154
  Employing the Diagnostic Procedure = 156
   The Steps = 157
   Forming the Auxiliary Regressions = 159
   Software = 160
  Applications with Actual Data = 160
   The Bauer Matrix = 161
   The Consumption Function = 163
   The Friedman Data = 167
   An Equation of the IBM Econometric Model = 169
 Appendix 3A : The Condition Number and Invertibility = 173
 Appendix 3B : Parameterization and Scaling = 177
  The Effects on the Collinearity Diagnostics Due to Linear Transformations of the Data = 177
  Each Parameterization is a Different Problem = 178
  A More General Analysis = 180
  Column Scaling = 183
 Appendix 3C : The Weakness of Correlation Measures in Providing Diagnostic Information = 185
 Appendix 3D : The Harm Caused by Collinearity = 186
  The Basic Harm = 187
  The Effect of Collinearity = 190
4 Applications and Remedies = 192
 4.1 A Remedy for Collinearity : the Consumption Function with Mixed Estimation = 193
  Corrective Measures = 193
   Introduction of New Data = 193
   Bayesian-Type Techniques = 194
 Pure Bayes. Mixed-Estimation. Ridge Regression.
   Application to the Consumption-Function Data = 196
 Prior Restrictions = 197
 Ignored Information = 199
 Summary of Prior Data = 200
   Regression Results and Variance-Decomposition Proportions for Mixed-Estimation Consumption-Function Data = 200
 4.2 Row-Deletion Diagnostics with Mixed-Estimation of the U.S. Consumption Function = 204
  A Diagnostic Analysis of the Consumption-Function Data = 204
   Single-Row Diagnostics = 205
 Residuals. Leverage and Hat-Matrix Diagonals. Coefficient Sensitivity. 
   Summary = 207
  A Reanalysis after Remedial Action for Ill Conditioning = 207
   The Row Diagnostics = 208
   A Suggested Research Strategy = 210
 4.3 An Analysis of an Equation Describing the Household Demand for Corporate Bonds = 212
  An Examination of Parameter Instability and Sensitivity = 215
   Tests for Overall Structural Instability = 215
   Sensitivity Diagnostics = 217
 Residuals. Leverage and Coefficient Sensitivity.
  The Monetary Background = 219
  A Use of Ridge Regression = 219
  Summary = 228
 4.4 Robust Estimation of a Hedonic Housing-Price Equation = 229
  The Model = 231
  Robust Estimation = 232
  Partial Plots = 235
  Single-Row Diagnostics = 237
  Multiple-Row Diagnostics = 241
  Summary = 243
 Appendix 4A : Harrison and Rubinfeld Housing-Price Data = 245
5 Research Issues and Directions for Extensions = 262
 5.1 Issues in Research Strategy = 263
 5.2 Extensions of the Diagnostics = 266
  Extensions to Systems of Simultaneous Equations = 266
   Influential-Data Diagnostics = 266
   Collinearity Diagnostics = 268
  Extensions to Nonlinear Models = 269
   Influential-Data Diagnostics = 269
   Collinearity Diagnostics = 272
  Additional Topics = 274
   Bounded-Influence Regression = 274
   Multiple-Row Procedures = 274
   Transformations = 275
   Time Series and Lags = 276
Bibliography = 277
Author Index = 285
Subject Index = 287