گاهی زیر مجموعه کوچکی از داده ها می توانند اثر نامناسبی بر برآورد پارامترها یا پیش بینی داشته باشند. بنابراین یافتن این داده ها برای تحلیل گر رگرسیون حائز اهمیت بوده و گامی مهم در فرآیند ساختن مدل است. اغلب وجود مشاهدات ناروا و وقوع هم خطی به صورت هم زمان پیچیدگی هایی را ایجاد می کند. بنابراین لازم است ابتدا هم خطی کنترل و سپس به تشخیص مشاهدات ناروا پرداخته شود. از سوی دیگر هم خطی باعث افزایش واریانس برآورد کمترین مربعات ضرایب رگرسیونی و در نتیجه ناپایداری برآوردها می شود. به منظور کاهش اثرات هم خطی، می توان از برآوردگرهای اریب استفاده کرد. این برآوردگرها با پذیرفتن اندکی اریبی و کاهش واریانس ضرایب رگرسیونی، باعث پایداری این ضرایب می شوند. در مقایسه بین چند برآوردگر اریب، برآوردگری با کمترین میانگین مربعات خطا کاراتر است. یکی از روش های افزایش کارایی برآوردگرهای اریب؛ می تواند کاهش اریبی برآوردگر باشد. در این پایان نامه ابتدا به مطالعه برآوردگرهای جک نایف لیو و جک-نایف لیو اصلاح شده و بررسی کارآیی آن ها می پردازیم. هم چنین تعمیم برخی مباحث تشخیصی در شرایط استفاده از این برآوردگرها به روش حذف موردی بیان می شود. معیارهای تشخیصی تعمیم داده شده شامل: تفاوت برآورد پارامترها، تفاوت مقادیر برازش شده، نسبت دترمینان ماتریس کواریانس برآورد پارامترها، دو نسخه فاصله کوک و روش انتقال میانگین نقاط پرت هستند. در پایان به کمک داده های واقعی نتایج به دست آمده مورد بحث قرار می گیرند.