Resumen

Introducimos el estimador de crestas casi no sesgado ponderado mixto (WMAURE) basado en el estimador mixto ponderado (WME) (Trenkler y Toutenburg 1990) y el estimador de crestas casi no sesgado (AURE) (Akdeniz y Erol 2003) en el modelo de regresión lineal. Discutimos las superioridades del nuevo estimador bajo los criterios de sesgo cuadrático (QB) y matriz de error cuadrático medio (MSEM). Además, proporcionamos un método sobre cómo obtener los valores óptimos de los parámetros y . Finalmente, los resultados teóricos se ilustran con un ejemplo de datos reales y un estudio de Monte Carlo.

• Materias:Modelado matemático Modelo de red neuronal Tasa de convergencia Aritmética Ondículas libres
• Subjects:Mathematical modeling Neural network model Convergence rate Arithmetic Free wavelets
• Palabras claves:Estimador de crestas mixtas ponderado casi no sesgado; Modelo de regresión lineal; Sesgo cuadrático; Matriz de error cuadrático medio; Valores óptimos; Resultados teóricos
• Keywords:Weighted mixed almost unbiased ridge estimator; Linear regression model; Quadratic bias; Mean square error matrix; Optimal values; Theoretical results