Siguiendo la idea presentada con respecto a los estimadores de red elástica y Liu-LASSO, propusimos un nuevo estimador penalizado basado en el estimador de Kibria-Lukman con normas L1 para realizar tanto regularización como selección de variables. Definimos el algoritmo de descenso de coordenadas para el nuevo estimador y comparamos su rendimiento con el de algunas técnicas de aprendizaje automático existentes, como el operador de contracción y selección absoluta mínima (LASSO), la red elástica, Liu-LASSO, el estimador GO y el estimador de ridge, a través de estudios de simulación y aplicaciones en la vida real en términos de error cuadrático medio de prueba (TMSE), error cuadrático medio de coeficiente (betaMSE), coeficientes falsos positivos (FP) y coeficientes falsos negativos (FN). Nuestros resultados revelaron que el nuevo estimador penalizado tiene un buen rendimiento tanto para datos simulados de baja como alta dimensionalidad en simulaciones. Además, los dos resultados en la vida real muestran que el nuevo método predice mejor la variable objetivo que los existentes utilizando la métrica de RMSE de prueba.