DETERMINACIÓN DE LA CONSTANTE K EN LA REGRESIÓN RIDGE

Autores/as

  • Manuel R. Piña Monarrez Instituto Tecnológico de Ciudad Juárez http://orcid.org/0000-0002-2243-3400
  • Manuel A. Rodríguez Medina Instituto Tecnológico de Ciudad Juárez
  • Juan J. Díaz Núñez Instituto Tecnológico de Ciudad Juárez

Palabras clave:

Cuadrado Medio de la Predicción, Multicolinealidad, Regresión Ridge, Mínimos Cuadrados

Resumen

ABSTRACT

Since the Ordinary Least Square (OLS), no have inside its structure an optimisation method for determine the effect that the
multicollinearity has over the estimate coefficients of the vector , permit to the Ridge Regression (RR) take an important roll in solve this problem. In this paper, we present the steps for the determination of the constant of proportionality K, with we obtain a smaller variance that this estimate by OLS, over the focus of the Total mean square of the Prediction (TMSP). β ˆ

RESUMEN

Desde que el método de Mínimos Cuadrados (MC), no tiene dentro de su estructura un método de optimización para determinar
el efecto que la multicolinealidad tiene sobre los coeficientes estimados del vector , permite a la regresión Ridge (RR), tomar importancia en resolver este problema. En este artículo, presentamos el desarrollo de la determinación de la constante de proporcionalidad K, con la que obtenemos una varianza más pequeña que la estimada por MC, bajo el enfoque del Cuadrado Medio de la Predicción Total (CMPT). β ˆ

Palabras Claves: Cuadrado Medio de la Predicción, Multicolinealidad, Regresión Ridge, Mínimos Cuadrados,

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Manuel R. Piña Monarrez, Instituto Tecnológico de Ciudad Juárez

Candidato a doctor en ingeniería industrial.

Manuel A. Rodríguez Medina, Instituto Tecnológico de Ciudad Juárez

Programa del Doctorado en Ingeniería Industrial.

Juan J. Díaz Núñez, Instituto Tecnológico de Ciudad Juárez

Programa del Doctorado en Ingeniería Industrial.

Citas

Golam Kibria BM. 2003. Performance of Some New Ridge Regression Estimators. Comunication in statistics: Vol 32, No 2, pp 419 – 435.

Hemmerle WJ. 1975. An Explicit Solution for Generalized Ridge Regression. Technometrics, vol 17, No 3 pp 309 – 314.

Hemmerle WJ and Brantle. 1978. Explicit and Constrained Generalized Ridge Estimation. Technometrics, vol 20, No 2 pp 109 – 120.

Hoerl AE y RW Kennard. 1970a. Ridge Regression: Biased estimation for nonorthogonal Problems. Technometrics, vol 12, No, 55-67.

Hoerl AE y RW Kennard. 1970b. Ridge Regression: Applications to nonorthogonal problems. Technometrics, vol 12, No 1, 69-82.

Hoerl AE, RW Kennard y KF Baldwin. 1975. Ridge Regression: Some Simulations. Comunication in statistics, 4(2), 105-123.

Hoerl AE y RW Kennard. 1976. Ridge Regression Iterative Estimation of the Biased Parameter. Communication in statistics, A5(1), 77-88.

Lawless JF and PWang. 1976. A Simulation Study of Ridge and other Regression Estimators. Communication in Statistics – Theory and Method, A5(4), 307 – 326.

Montgomery DC, EA Peck and GG Vining. 2002. Introducción al Análisis de Regresión Lineal. México: Editorial Continental tercera edición. Piña

MR, MA Rodríguez y JJ Díaz. 2005. Superioridad de la Regresión General Ridge sobre Mínimos Cuadrados. CULCYT//Enero-Febrero, 2005, México. Año 2, No 6.

Rubio H and L Firinguetti. 2002. The Distribution of Stochastic Shrinkage Parameters in Ridge Regression. Communication in Statistics – Theory and Method: Vol 39 No 9, pp 1531 – 1547.

Publicado

2015-06-16

Cómo citar

Piña Monarrez, M. R., Rodríguez Medina, M. A., & Díaz Núñez, J. J. (2015). DETERMINACIÓN DE LA CONSTANTE K EN LA REGRESIÓN RIDGE. Cultura Científica Y Tecnológica, (11). Recuperado a partir de http://erevistas.uacj.mx/ojs/index.php/culcyt/article/view/538