Estimation biaisée dans la régression : Une évaluation utilisant l'erreur quadratique moyenne

Résumé : Un critère d'erreur quadratique moyenne est utilisé pour comparer cinq estimateurs des coefficients dans un modèle de régression linéaire : moindres carrés, composants principaux, régression ridge, racine latente et un estimateur réduit. Chacun des estimateurs biaisés présente une amélioration de l'erreur quadratique moyenne par rapport aux moindres carrés pour une large gamme de choix de paramètres du modèle. Les résultats d'une simulation impliquant les cinq estimateurs indiquent que les estimateurs de composants principaux et de racine latente sont les plus performants dans l'ensemble, mais l'estimateur de régression ridge a le potentiel d'une erreur quadratique moyenne plus petite que l'un de ces deux.