Resumen

Esta investigación compara modelos de factores basados en análisis de componentes principales (PCA) y mínimos cuadrados parciales (PLS) con Autometrics, desviación absoluta suavizada elásticamente (E-SCAD) y penalización cóncava minimax (MCP) bajo diferentes esquemas simulados como multicolinealidad, heterocedasticidad y autocorrelación. La comparación se realiza con diferentes tamaños de muestra y covariables. Encontramos que en presencia de multicolinealidad baja y moderada, MCP a menudo produce pronósticos superiores en contraste con el caso de muestra pequeña, mientras que E-SCAD sigue siendo mejor. En el caso de multicolinealidad alta, el modelo de factores basado en PLS permaneció dominante, pero asintóticamente la precisión de predicción de E-SCAD mejora significativamente en comparación con otros métodos. Bajo heterocedasticidad, MCP se desempeña muy bien y la mayoría de las veces supera a los métodos rivales. En algunas circunstancias con muestras grandes, Aut

• 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:Investigación; Modelos de factores; Análisis de componentes principales; Mínimos cuadrados parciales; Autometrics; E-SCAD
• Keywords:Research; Factor models; Principal component analysis; Partial least squares; Autometrics; E-SCAD