Régression Elastic Net incertaine pour les données multicollinéaires et ses applications

Les systèmes socio-économiques pratiques contiennent couramment des données imprécises et subjectives, tandis que les méthodes existantes de régression incertaine sont peu performantes pour les variables fortement multicollinéaires. Les moindres carrés incertains sont sensibles à la multicollinéarité et aux valeurs aberrantes, et le LASSO incertain ne parvient pas à sélectionner de manière stable les variables corrélées. Pour remédier à ces problèmes, cet article propose un modèle de régression Elastic Net incertain ciblant les données incertaines multicollinéaires. Basé sur le cadre de l'espérance incertaine minimale, le modèle adopte une régularisation combinée pour réaliser une sélection clairsemée de variables et un effet de regroupement, ce qui atténue la multicollinéarité et améliore la stabilité de l'estimation. Nous vérifions le modèle à l'aide d'exemples numériques et d'une étude empirique sur les données du tourisme intérieur du Shandong, en prenant deux méthodes classiques de régression incertaine comme références. Les résultats montrent que notre modèle surpasse les méthodes concurrentes en termes de précision d'ajustement, de stabilité des coefficients et de sélection de variables. Cette méthode fournit un outil fiable et interprétable pour la modélisation par régression sous incertitude et multicollinéarité, et peut être appliquée à la recherche touristique et socio-économique.