مطالعه رفتار حدی برآوردگرهای انقباضی در مدل رگرسیون تاوانیده با نرم مستطیلی

برآوردگرهای تاوانیده در سال‌های اخیر در برآورد پارامترهای رگرسیونی بسیار مورد توجه قرار گرفته‌اند، که معروف‌ترین آن‌ها برآوردگرهای تاوانیده با نُرم مستطیلی هستند. این برآوردگرها، همزمان انتخاب متغیر و برآورد پارامتر انجام می‌دهند. در این مقاله، با استفاده از اطلاعات پیشین غیرقطعی در مورد پارامترها، برآوردگرهای بهتری با مخاطره کمتر در مقایسه با برآوردگر لاسو، تاوانیده با نُرم مستطیلی ارائه شده است. برتری کارآیی برآوردگرهای انقباضی پیشنهاد شده در یک مطالعه‌ شبیه‌سازی نسبت به برآوردگر لاسو نشان داده شده است. همچنین کاهش در مقادیر میانگین خطاهای پیش‌بینی در مجموعه داده‌های سرطان آمار و ارقام ایالات متحده‌ آمریکا حاکی از قدرت پیش‌گویی برآوردگرهای انقباضی است.

Studying Limiting Behavior of Shrinkage Estimators in Penalized Regression Model with Rectangular Norm

Penalized estimators for estimating regression parameters have been considered by many authors for many decades. Penalized regression with rectangular norm is one of the mainly used since it does variable selection and estimating parameters, simultaneously. In this paper, we propose some new estimators by employing uncertain prior information on parameters. Superiority of the proposed shrinkage estimators over the least absoluate and shrinkage operator (LASSO) estimator is demonstrated via a Monte Carlo study. The prediction rate of the proposed estimators compared to the LASSO estimator is also studied in the US State Facts and Figures dataset.