مطالعه رفتار برآوردگر انقباضی تحت یک قید خطی در مدل رگرسیون تاوانیده

معمولا در مسائل با بعد بالا، وقتی تعداد متغیرها بیشتر از تعداد مشاهدات است، برآوردگرهای جریمه شده بر پایه روش های انقباضی از دیدگاه خطای پیشگویی پاسخ، از کارایی بهتری نسبت به برآوردگر کمترین توان های دوم در برآورد ضرایب رگرسیونی برخوردار هستند. در این برآوردگرها پارامتر تنظیم کننده یا انقباضی نقش اساسی در انتخاب متغیر و برآورد پارامترها بازی می کند. برآوردگر انقباضی بریج، برآوردگری است که با تغییر پارامتر تنظیم کننده آن می توان به برآوردگرهای معروف ریج و لاسو دست یافت. در این مقاله برآوردگر انقباضی بریج را، با اعمال یک قید خطی روی بردار ضرایب رگرسیونی، به دست آورده سازگاری آن اثبات می شود. به علاوه در قالب یک مطالعه شبیه سازی و مثال واقعی کارایی آن از دیدگاه میانگین توان دوم خطا مورد ارزیابی قرار می گیرد .

Performance Study of Shrinkage Estimator Under a Linear Constrain in Penalized Regression

Often‎, ‎in high dimensional problems‎, ‎where the number of variables is large the number of observations‎, ‎penalized estimators based on shrinkage methods have better efficiency than the OLS estimator from the prediction error viewpoint‎. In these estimators‎, ‎the tuning or shrinkage parameter plays a deterministic role in variable selection‎. ‎The bridge estimator is an estimator which simplifies to ridge or LASSO estimators varying the tuning parameter‎. ‎In these paper‎, ‎the shrinkage bridge estimator is derived under a linear constraint on regression coefficients and its consistency is proved‎. ‎Furthermore‎, ‎its efficiency is evaluated in a simulation study and a real example‎.