Resumen

En los modelos de regresin lineal mltiple, el problema de la multicolinealidad se produce sobre todo cuando las variables explicativas estn correlacionadas entre s. Es bien sabido que cuando existe multicolinealidad, la varianza del estimador de mnimos cuadrados ordinarios es inestable. Como remedio, Liu en [1] desarroll un nuevo mtodo de estimacin con el parmetro de sesgo . En este trabajo, hemos introducido un nuevo mtodo para estimar el parmetro de sesgo con el fin de mitigar el problema de la multicolinealidad. El mtodo propuesto proporciona la clase de estimadores que se basan en cuantiles de los coeficientes de regresin. El rendimiento de los nuevos estimadores se compara con el de los estimadores existentes mediante una simulacin de Monte Carlo, en la que el error cuadrtico medio y el error absoluto medio se consideran criterios de evaluacin de los estimadores. Para ilustrar las ventajas de los nuevos estimadores se utilizan datos sobre el cemento Portland y la delincuencia en Estados Unidos. A partir de la simulacin y el estudio numrico, se concluye que los nuevos estimadores superan a los existentes en determinadas situaciones, incluidos los casos elevados y graves de multicolinealidad. Tambin se calcula el intervalo medio de prediccin del 95% de todos los estimadores para los datos de cemento Portland. Recomendamos el uso del nuevo mtodo a los profesionales cuando exista el problema de alta multicolinealidad entre las variables explicativas.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Método; Multicolinealidad; Estimadores; Coeficientes de regresión; Simulación Monte Carlo; Cemento Portland
• Keywords:Method; Multicollinearity; Estimators; Regression coefficients; Monte Carlo simulation; Portland cement