Estimar parâmetros em Modelos Lineares Parciais Aditivos Semiparamétricos (SAPLMs) com precisão é bastante difícil sob dados de alta dimensão e variáveis explicativas relacionadas. A multicolinearidade entre preditores não só aumenta a variância das estimativas dos parâmetros, mas também torna a interpretação estatística mais difícil, especialmente quando o número de variáveis excede o tamanho da amostra. Contrastamos duas técnicas de estimativa robustas (regressão Ridge com estimadores robustos R/W e o método Lasso Recíproco) para resolver esses problemas. Nosso trabalho avalia sua eficácia em superar a multicolinearidade enquanto escolhe variáveis importantes. Avaliamos as técnicas por meio de três critérios, a saber: Erro Médio Absoluto de Desvio (AADE), Erro Quadrático Médio (MSE) e coeficiente de determinação (R2), utilizando dados educacionais reais sobre elementos que influenciam o desempenho acadêmico de alunos com necessidades especiais. Os resultados mostram que a abordagem do Lasso Recíproco oferece previsões mais precisas e uma melhor capacidade de seleção de variáveis do que os métodos robustos Ridge em termos práticos; em termos de métodos de simulação, observou-se que o método Lasso é preferível quando o tamanho da amostra é menor do que o número de variáveis explicativas, o Ridge com o método robusto W é preferível quando há uma correlação moderada entre as variáveis explicativas, e o Ridge com o método robusto R é preferível quando há uma relação forte entre as variáveis explicativas.
Talib et al. (Sex,) estudaram esta questão.