Regresión alzada y el número de condiciónalgunos problemas

  1. Salmerón Gómez, Román 1
  2. García García, Catalina 1
  3. García Pérez, José 2
  4. López Martín, María del Mar 1
  1. 1 Universidad de Granada
    info

    Universidad de Granada

    Granada, España

    ROR https://ror.org/04njjy449

  2. 2 Universidad de Almería
    info

    Universidad de Almería

    Almería, España

    ROR https://ror.org/003d3xx08

Revista:
Anales de ASEPUMA

ISSN: 2171-892X

Año de publicación: 2016

Número: 24

Tipo: Artículo

DIALNET GOOGLE SCHOLAR lock_openDialnet editor

Otras publicaciones en: Anales de ASEPUMA

Resumen

La regresión lineal múltiple es ampliamente usada cuando se desean establecer relaciones entre variables. Cuando las variables independientes usadas presentan una alta relación lineal el análisis realizado es inestable por lo que las conclusiones obtenidas quedan en entredicho. Este problema es conocido como multicolinealidad aproximada. La literatura recoge diversas opciones para abordar este problema, siendo la más usada la eliminación del análisis de las variables que se consideran causantes de la multicolinealidad. Como alternativa, la Regresión Alzada es una técnica cuantitativa que mitiga el problema de la multicolinealidad desde un punto de vista geométrico aumentando el ángulo existente entre las variables independientes del modelo. Tras aplicar dicha técnica, es conveniente comprobar si el problema ha sido o no mitigado, por lo que se hace necesario usar algunas de las herramientas existentes para detectar la multicolinealidad. En el presente trabajo se presenta el uso del Número de Condición en la Regresión Alzada focalizando en dos problemas que surgen: la dificultad de la obtención de una expresión algebraica cerrada y la sensibilidad de esta medida a las transformaciones en los datos.

Referencias bibliográficas

  • Marquardt, D.W. (1970). “Generalized inverses, ridge regression, biased linear estimation and nonlinear estimation”. Technometrics, 12, 591–612. THEIL, H. (1971). “Principles of econometrics”. New York: Wiley.
  • Fox, J.; Monette, G. (1992). “Generalized collinearity diagnostics”. Journal of the American Statistical Association, 87, 178–183.
  • Belsley, D.A. (1982). “Assessing the presence of harmful collinearity and other forms of weak data through a test for signal-to-noise”. Journal of Econometrics, 20, 211–253.
  • Belsley, D.A., Kuh, E. y Welsch, R.E. (1980). “Regression diagnostics”. New York, NY: John Wiley.
  • Belsley, D.A. (1991). “Conditioning diagnostics: Collinearity and weak data in regression”. New York: John Wiley.
  • Hoerl, A.E.; Kennard, R.W. (1970a). “Ridge regression: Applications to nonorthogonal problems”. Technometrics, 12, 69–82. Hoerl, A.E.; Kennard, R.W. (1970b). “Ridge regression: Biased estimation for nonorthogonal problems”. Technometrics, 12, 55–67.
  • García, C. B., García, J.; Soto J. (2010). “The raise method: An alternative procedure to estimate the parameters in presence of collinearity”. Quality and Quantity, 45 (2), 403–423.
  • García, C. B., García, J., López Martín, M. M. y Salmerón, R. (2015a). “Collinearity: Revisiting the variance inflation factor in ridge regression”. Journal of Applied Statistics, 42 (3), 648–661.
  • García, C. B., García, J., Salmerón, R.; López Martín, M. M. (2015b). “Raise regression: selection of the raise parameter”. International Conference on Data Mining, 185–190.
  • García, J., Salmerón, R., García, C.B. y López Martín, M.M. (2015c). “Standardization of Variables and Collinearity Diagnostic in Ridge Regression”. International Statistical Review. DOI: 10.1111/insr.12099.
  • García, C., García, J., López Martín, M. M. y Salmerón, R. (2016). “Raise estimator: inference and properties”. Communications in Statistics-Theory and Methods. Pendiente de publicación.
  • Salmerón, R., García, J., López Martín, M.M. y García, C.B. (2016a). “Collinearity diagnostic applied in ridge estimation through the variance inflation factor”. Journal of Applied Statistics. DOI:10.1080/02664763. 2015.1120712.
  • Salmerón, R., García, J., García, C.B. y López Martín, M.M. (2016b). “Transformation of variables and the condition number in ridge estimation”. Computational Statistics and Data Analysis. En revisión.
  • Wissel, J. (2009). “A new biased estimator for multivariate regression models with highly collinear variables”. Ph.D. thesis, Dissertation zur Erlangung des naturwissenschaftlichen Doktorgrades der Bayerischen Julius-Maximilians-Universit¨atW¨urzburg.
Fuente de los datos: Dialnet