基于多重性能准则研究多重共线性和异常值条件下稳健型与改进型收缩估计量,并将其应用于健康数据领域
《Stats》:A Comparative Study of Robust and Improved Shrinkage Estimators Under Multicollinearity and Outliers Using Multiple Performance Criteria with Application to Health Data
【字体:
大
中
小
】
时间:2026年06月19日
来源:Stats 1
摘要
多重共线性会通过增大方差并产生不稳定的估计值,从而降低普通最小二乘法的可靠性。这一问题导致了诸如岭估计量、刘估计量和斯坦因估计量这类存在偏差且效果不佳的回归方法的出现。在此,我们通过在现有的岭型方法基础上引入改进型的岭估计量和刘估计量,以及能够处理异常值的稳健变体,来进一步完善这些方法。我们研究了它们在偏差、方差和均方误差方面的理论特性。同时,通过在不同程度多重共线性和数据污染情况下进行蒙特卡洛模拟,评估了这些方法的性能。我们采用了包括均方误差、赤池信息量准则、平均绝对偏差和平均绝对百分比误差等多种评估标准,还首次应用了平均秩比较框架,进而通过两个与健康相关的数据集对研究结果进行了进一步验证。研究结果表明,这些强大的估计量能够提供更稳定的估计值,并在处理严重多重共线性和异常值时展现出更好的预测性能。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号