Resumen

La selección de variables es fundamental para el modelado estadístico de alta dimensión. Muchas técnicas de selección de variables pueden ser implementadas mediante mínimos cuadrados penalizados utilizando diversas funciones de penalización. En este artículo, se propone una penalización tipo arcotangente que se asemeja mucho a la penalización Lasso; la llamamos penalización Atan. Se demuestra que el procedimiento de mínimos cuadrados penalizados con Atan selecciona consistentemente el modelo correcto y es asintóticamente normal, siempre y cuando el número de variables crezca más lentamente que el número de observaciones. El procedimiento Atan se implementa eficientemente utilizando un algoritmo Lasso ponderado de forma iterativa. Los resultados de simulación y un ejemplo de datos muestran que el procedimiento Atan con criterio tipo BIC funciona muy bien en una variedad de escenarios.

• Materias:Máxima entropía Funciones hipergeométricas Estimación de parámetros Reversión a la media Máxima verosimilitud
• Subjects:Maximum entropy Hypergeometric functions Parameter estimation Mean reversion Maximum likelihood
• Palabras claves:Selección de variables; Mínimos cuadrados penalizados; Penalización tipo arcotangente; Penalización Atan; Algoritmo Lasso reponderado iterativamente; Criterio tipo BIC
• Keywords:Variable selection; Penalized least squares; Arctangent type penalty; Atan penalty; Iteratively reweighted Lasso algorithm; BIC-type criterion