Comparaison de certaines méthodes robustes de l'estimateur Ridge basé sur les différences dans le modèle de régression semi-paramétrique

Les modèles de régression semi-paramétriques ont récemment suscité beaucoup d'attention de la part des chercheurs car ils combinent des méthodes paramétriques et non paramétriques, ce qui en fait l'un des sujets avancés dans l'analyse des données pour diverses études visant à trouver les meilleures capacités et un haut niveau d'efficacité. L'un des modèles de régression semi-paramétriques les plus importants est le modèle de régression linéaire partielle (PLM), qui se compose d'un composant paramétrique et d'un composant non paramétrique. Dans le but d'estimer le composant paramétrique, la méthode des différences sera utilisée pour éliminer le composant non paramétrique. Lorsque les hypothèses d'analyse du composant paramétrique ne sont pas remplies, cela peut engendrer plusieurs problèmes, dont le plus important est le problème de multicolinéarité complète. En plus de la multicolinéarité, il y a aussi des valeurs aberrantes dans les données. Dans cette recherche, les problèmes de multicolinéarité et de valeurs aberrantes du modèle de régression semi-paramétrique ont été abordés, où une simulation a été utilisée pour générer des données avec différentes tailles d'échantillons et pour différentes corrélations et ratios de valeurs aberrantes, ainsi que pour différentes méthodes telles que l'Estimateur robust M Ridge basé sur la différence avec Nadaraya – Watson (DRMNW), l'Estimateur robuste S Ridge basé sur la différence avec Nadaraya – Watson (DRSNW), l'Estimateur robuste M Ridge basé sur la différence avec le spline lissant (DRMSP), et l'Estimateur robuste S Ridge basé sur la différence avec le spline lissant (DRSSP). Les résultats ont montré que la méthode de l'Estimateur robuste S Ridge basé sur la différence avec le spline lissant (DRSSP) est le meilleur estimateur. Type de document : article de recherche.