Resumen

El modelo de regresión lineal conocido (LRM) se utiliza principalmente para modelar la relación QSAR entre la variable de respuesta (actividad biológica) y una o más propiedades fisicoquímicas o estructurales que sirven como variables explicativas, principalmente cuando la distribución de la variable de respuesta es normal. El modelo de regresión gamma se emplea a menudo para una variable dependiente sesgada. Los parámetros en ambos modelos se estiman utilizando el estimador de máxima verosimilitud (MLE, por sus siglas en inglés). Sin embargo, el MLE se vuelve inestable en presencia de multicolinealidad para ambos modelos. En este estudio, proponemos un nuevo estimador y sugerimos algunos parámetros de sesgo para estimar el parámetro de regresión para el modelo de regresión gamma cuando hay multicolinealidad. Se realizó un estudio de simulación y una aplicación en la vida real para evaluar el rendimiento de los estimadores a través del criterio del error cuadrático medio. Los resultados de la simulación y la aplicación en la vida real revelaron que el estimador gamma prop

• Materias:Carbono orgánico Parámetros genéticos Crecimiento fetal Coronavirus Crecimiento del maíz
• Subjects:Organic carbon Genetic parameters Fetal growth Coronavirus Corn growth
• Palabras claves:Modelo de regresión lineal; Relación QSAR; Variable de respuesta; Fisioquímica; Modelo de regresión gamma; Multicolinealidad
• Keywords:Linear regression model; QSAR relationship; Response variable; Physiochemical; Gamma regression model; Multicollinearity