Este estudio aborda los problemas comunes de multicolinealidad que surgen en los modelos de regresión debido a las altas correlaciones entre las variables predictoras, lo que lleva a estimaciones de coeficientes poco confiables y varianzas infladas, afectando en última instancia la precisión del modelo. Para abordar este problema, presentamos cuatro estimadores de regresión mejorados de dos parámetros, denominados MIRE1, MIRE2, MIRE3 y MIRE4, que incorporan ajustes innovadores como transformaciones logarítmicas y estrategias de penalización personalizadas para mejorar la eficiencia de la estimación. Estos estimadores sesgados son evaluados a través de una exhaustiva simulación de Monte Carlo utilizando el criterio de error cuadrático medio estimado mínimo (MSE). Aunque ningún estimador de regresión funciona de manera óptima bajo todas las condiciones, nuestros estimadores propuestos superan consistentemente a los estimadores existentes en la mayoría de los escenarios. Destacadamente, MIRE2 y MIRE3 destacan como los estimadores con mejor rendimiento en una variedad de condiciones. Su utilidad práctica se demuestra además a través de aplicaciones a dos conjuntos de datos del mundo real. Los resultados del análisis confirman que los estimadores de regresión propuestos ofrecen un enfoque confiable y efectivo para mejorar la precisión de la estimación en los modelos de regresión, ya que consistentemente producen el MSE más bajo en comparación con otros estimadores.