เป็นเรื่องธรรมดามากที่จะสันนิษฐานว่ามีเพียงข้อมูลเท่านั้นที่มีข้อผิดพลาดในการวัด (หรืออย่างน้อยนั่นเป็นข้อผิดพลาดเดียวที่เราจะพิจารณา) แต่สิ่งนี้จะเพิกเฉยต่อความเป็นไปได้และผลที่ตามมาของข้อผิดพลาดในการวัดสิ่งนี้อาจรุนแรงในการศึกษาเชิงสังเกตการณ์ที่ตัวแปรไม่อยู่ภายใต้การควบคุมการทดลองyxx
การเจือจางการถดถอยหรือการลดทอนการถดถอยเป็นปรากฏการณ์ที่ได้รับการยอมรับโดย Spearman (1904) โดยความชันของการถดถอยโดยประมาณในการถดถอยเชิงเส้นอย่างง่ายจะเอนเอียงไปทางศูนย์โดยการมีข้อผิดพลาดการวัดในตัวแปรอิสระ สมมติว่าความชันที่แท้จริงนั้นเป็นบวก - ผลของการสั่นของจุดพิกัด(อาจมองเห็นได้ง่ายที่สุดในฐานะ "รอยเปื้อน" จุดในแนวนอน) คือการทำให้เส้นถดถอยมีความชันน้อยลง โดยสังหรณ์ใจคะแนนที่มีขนาดใหญ่ขณะนี้มีแนวโน้มที่จะเป็นเช่นนั้นเนื่องจากข้อผิดพลาดการวัดในเชิงบวกในขณะที่ค่ามีแนวโน้มที่จะสะท้อนให้เห็นถึงค่าที่แท้จริง (ปราศจากข้อผิดพลาด) ของและต่ำกว่าเส้นที่แท้จริงจะ สำหรับการสังเกตxxyxx .
ในแบบจำลองที่ซับซ้อนยิ่งขึ้นข้อผิดพลาดในการวัดในตัวแปรสามารถสร้างผลกระทบที่ซับซ้อนกว่าในการประมาณค่าพารามิเตอร์ มีข้อผิดพลาดในตัวแบบตัวแปรที่พิจารณาข้อผิดพลาดดังกล่าว Spearman เสนอแนะปัจจัยการแก้ไขสำหรับการลดค่าสัมประสิทธิ์สหสัมพันธ์ bivariateและปัจจัยการแก้ไขอื่น ๆ ได้รับการพัฒนาสำหรับสถานการณ์ที่ซับซ้อนมากขึ้น อย่างไรก็ตามการแก้ไขดังกล่าวอาจเป็นเรื่องยาก - โดยเฉพาะอย่างยิ่งในกรณีหลายตัวแปรและต่อหน้าผู้รบกวน - และอาจเป็นที่ถกเถียงกันว่าการแก้ไขนั้นเป็นการปรับปรุงที่แท้จริงหรือไม่ดูตัวอย่างเช่น Smith และ Phillips (1996)x
ดังนั้นฉันคิดว่านี่เป็นความเข้าใจผิดที่สองสำหรับราคาหนึ่ง - ในมือข้างหนึ่งมันเป็นความผิดพลาดที่จะคิดว่าวิธีที่เราเขียนหมายถึง "ข้อผิดพลาดทั้งหมดอยู่ใน " และไม่สนใจ ความเป็นไปได้ที่แท้จริงของข้อผิดพลาดการวัดในตัวแปรอิสระ ในทางตรงกันข้ามมันอาจไม่เหมาะสมที่จะใช้ "การแก้ไข" สำหรับข้อผิดพลาดในการวัดในทุกสถานการณ์เช่นการตอบสนองต่อการกระตุกเข่า (แม้ว่าจะเป็นการดีที่ควรทำตามขั้นตอนเพื่อลดข้อผิดพลาดในการวัด) .yy=Xβ+εy
(ผมอาจจะยังเชื่อมโยงไปยังบางรุ่นอื่น ๆ ที่พบข้อผิดพลาดในตัวแปรในการสั่งซื้อทั่วไปมากขึ้น: การถดถอยมุมฉาก , Deming ถดถอยและสี่เหลี่ยมน้อยทั้งหมด .)
อ้างอิง