Evaluando la precisión predictiva de modelos de regresión con perturbaciones autoregresivas de primer orden: un enfoque comparativo utilizando redes neuronales artificiales y estimadores clásicos
Autores: Rauf, Rauf I.; Alrasheedi, Masad A.; Sadiq, Rasheedah; Aldawsari, Abdulrahman M. A.
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Evaluando la precisión predictiva de modelos de regresión con perturbaciones autoregresivas de primer orden: un enfoque comparativo utilizando redes neuronales artificiales y estimadores clásicos
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Tamaño
Complejidad
Conjuntos de datos
Autocorrelación
Métodos de regresión
Redes Neuronales Artificiales
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 40
Citaciones: Sin citaciones
En la última década, el tamaño y la complejidad de los conjuntos de datos han aumentado significativamente, lo que requiere métodos predictivos más sofisticados. A pesar de este crecimiento, se ha realizado una investigación limitada sobre los efectos de la autocorrelación dentro de los métodos de regresión ampliamente utilizados. Este estudio aborda esta brecha investigando cómo la autocorrelación afecta la precisión predictiva y la eficiencia de seis enfoques de regresión: Redes Neuronales Artificiales (ANN), Mínimos Cuadrados Ordinarios (OLS), Cochrane-Orcutt (CO), Prais-Winsten (PW), Estimación de Máxima Verosimilitud (MLE) y Estimación de Máxima Verosimilitud Restringida (RMLE). El estudio evalúa el rendimiento de cada método en tres conjuntos de datos caracterizados por autocorrelación, comparando su precisión predictiva y variabilidad. El análisis se estructura en tres fases: la primera fase examina la precisión predictiva entre métodos utilizando Error Cuadrático Medio (MSE), Error Absoluto Medio (MAE) y Error Porcentual Absoluto Medio (MAPE); la segunda fase evalúa la eficiencia de la estimación de parámetros basada en errores estándar entre métodos; y la fase final evalúa visualmente la cercanía de los valores predichos a los valores reales a través de gráficos de dispersión. Los resultados indican que la ANN proporciona consistentemente las predicciones más precisas, especialmente en tamaños de muestra grandes con datos de entrenamiento extensos. Para los datos del PIB, la ANN logró un MSE de 1.05 x 10, un MAE de 23,344.64 y un MAPE del 81.66%, demostrando una reducción de hasta el 90% en el MSE en comparación con OLS. Estos hallazgos destacan las ventajas de la ANN para tareas predictivas que involucran datos autocorrelacionados, resaltando su robustez y adecuación para conjuntos de datos complejos a gran escala. Este estudio proporciona orientación práctica para seleccionar técnicas de predicción óptimas en presencia de autocorrelación, recomendando la ANN como el método preferido debido a su rendimiento superior.
Descripción
En la última década, el tamaño y la complejidad de los conjuntos de datos han aumentado significativamente, lo que requiere métodos predictivos más sofisticados. A pesar de este crecimiento, se ha realizado una investigación limitada sobre los efectos de la autocorrelación dentro de los métodos de regresión ampliamente utilizados. Este estudio aborda esta brecha investigando cómo la autocorrelación afecta la precisión predictiva y la eficiencia de seis enfoques de regresión: Redes Neuronales Artificiales (ANN), Mínimos Cuadrados Ordinarios (OLS), Cochrane-Orcutt (CO), Prais-Winsten (PW), Estimación de Máxima Verosimilitud (MLE) y Estimación de Máxima Verosimilitud Restringida (RMLE). El estudio evalúa el rendimiento de cada método en tres conjuntos de datos caracterizados por autocorrelación, comparando su precisión predictiva y variabilidad. El análisis se estructura en tres fases: la primera fase examina la precisión predictiva entre métodos utilizando Error Cuadrático Medio (MSE), Error Absoluto Medio (MAE) y Error Porcentual Absoluto Medio (MAPE); la segunda fase evalúa la eficiencia de la estimación de parámetros basada en errores estándar entre métodos; y la fase final evalúa visualmente la cercanía de los valores predichos a los valores reales a través de gráficos de dispersión. Los resultados indican que la ANN proporciona consistentemente las predicciones más precisas, especialmente en tamaños de muestra grandes con datos de entrenamiento extensos. Para los datos del PIB, la ANN logró un MSE de 1.05 x 10, un MAE de 23,344.64 y un MAPE del 81.66%, demostrando una reducción de hasta el 90% en el MSE en comparación con OLS. Estos hallazgos destacan las ventajas de la ANN para tareas predictivas que involucran datos autocorrelacionados, resaltando su robustez y adecuación para conjuntos de datos complejos a gran escala. Este estudio proporciona orientación práctica para seleccionar técnicas de predicción óptimas en presencia de autocorrelación, recomendando la ANN como el método preferido debido a su rendimiento superior.