Resumen

Este trabajo compara Autometrics con técnicas de penalización dual como la penalización cóncava minimax (MCP) y la desviación absoluta recortada suavemente (SCAD) bajo distribuciones de error asimétricas como exponencial, gamma y Frechet con tamaños de muestra variables, así como predictores. Simulaciones exhaustivas, basadas en una amplia variedad de escenarios, revelan que los métodos considerados muestran un rendimiento mejorado para un tamaño de muestra mayor. En el caso de baja multicolinealidad, estos métodos muestran un buen rendimiento en términos de potencia, pero en la calibración, los métodos de contracción colapsan, y un calibrador más alto lleva a la sobreespecificación de los modelos. Niveles altos de multicolinealidad afectan adversamente el rendimiento de Autometrics. En contraste, los métodos de contracción son robustos en presencia de alta multicolinealidad en términos de potencia, pero tienden a seleccionar un conjunto masivo de variables irrelevantes. Además, encontramos que expandir los datos mit

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Autometría; Técnicas de penalización dual; Penalización cóncava minimax; Desviación absoluta suavemente recortada; Distribuciones de errores asimétricas; Alta multicolinealidad
• Keywords:Autometrics; Dual penalization techniques; Minimax concave penalty; Smoothly clipped absolute deviation; Asymmetric error distributions; High multicollinearity