Corrección de sesgo en la inferencia de modelos lineales generalizados de alta dimensionalidad
Autores: Tang, Shengfei; Shi, Yanmei; Zhang, Qi
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Corrección de sesgo en la inferencia de modelos lineales generalizados de alta dimensionalidad
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Propuesto
Ponderado específico del enlace
Regresión
Pesos de corrección
Error cuadrático medio
Normalidad asintótica
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 29
Citaciones: Sin citaciones
En este documento, proponemos un enfoque ponderado específico del enlace (WLS) que establece un marco unificado de inferencia estadística para regresiones de Poisson y Gamma de alta dimensionalidad. Regresamos las desviaciones de los parámetros, así como los errores de estimación inicial y utilizamos los coeficientes de regresión resultantes como pesos de corrección para reducir el error cuadrático medio total (MSE). También desarrollamos la normalidad asintótica de las estimaciones de corrección bajo condiciones dispersas y no dispersas y construimos intervalos de confianza asociados (CIs) para verificar la robustez del nuevo método. Finalmente, simulaciones numéricas y análisis empíricos muestran que el método WLS es amplio y efectivo.
Descripción
En este documento, proponemos un enfoque ponderado específico del enlace (WLS) que establece un marco unificado de inferencia estadística para regresiones de Poisson y Gamma de alta dimensionalidad. Regresamos las desviaciones de los parámetros, así como los errores de estimación inicial y utilizamos los coeficientes de regresión resultantes como pesos de corrección para reducir el error cuadrático medio total (MSE). También desarrollamos la normalidad asintótica de las estimaciones de corrección bajo condiciones dispersas y no dispersas y construimos intervalos de confianza asociados (CIs) para verificar la robustez del nuevo método. Finalmente, simulaciones numéricas y análisis empíricos muestran que el método WLS es amplio y efectivo.