低维与高维 Beta 回归模型中岭型收缩估计量及其在计量经济学与医学中的应用
统计方法学
2021-11-30 v1 应用统计
摘要
Beta 回归模型在分析比例等有界连续结果时十分有用。众所周知，对于任何回归模型，多重共线性的存在都会导致极大似然估计量的糟糕表现。已提出岭型估计量以缓解多重共线性的不利影响。此外，当某些预测变量对结果具有不显著或微弱影响时，期望从这些预测变量中尽可能多地恢复信息，而非将其全部丢弃。本文针对低维和高维 Beta 回归模型提出了岭型收缩估计量，可同时解决上述两个问题。我们以封闭形式计算了所提估计量的偏差与方差，并使用蒙特卡洛模拟评估其表现。结果表明，在低维和高维数据中，所提估计量的表现均优于丢弃微弱或不显著预测变量的岭估计量。最后，我们将所提方法应用于来自计量经济学和医学的两个真实数据集以作收尾。
引用
@article{arxiv.2111.13887,
title = {Ridge-Type Shrinkage Estimators in Low and High Dimensional Beta Regression Model with Application in Econometrics and Medicine},
author = {Ejaz Ahmed and Reza Arabi Belaghi and Yasin Asar and Abdulkhadir Hussein},
journal= {arXiv preprint arXiv:2111.13887},
year = {2021}
}