Ridge-Type Shrinkage Estimators in Low and High Dimensional Beta Regression Model with Application in Econometrics and Medicine
低维与高维 Beta 回归的岭型收缩估计及其应用AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要主要讨论 Beta 回归中的共线性和收缩估计，有界结局本身不等于分布效应研究，现有信息不足以匹配所列细分方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
低维与高维 Beta 回归的岭型收缩估计及其应用
- 研究问题
- 在分析比例等有界连续结局时，如何同时缓解多重共线性造成的估计问题，并利用效应较弱的预测变量所包含的信息？
- 方法与思路
- 作者为低维和高维 Beta 回归提出岭型收缩估计量，计算偏差与方差的闭式表达，通过蒙特卡洛模拟及两项实际应用评估。
- 材料陈述的贡献
- 摘要称，在所研究的低维与高维模拟中，新估计量优于丢弃弱效应变量的岭估计量，并展示经济计量和医学数据中的应用。
- 阅读关注点
- 核对收缩目标、弱效应变量的处理及惩罚参数选择，检查高维框架、偏差方差公式的条件和模拟比较所采用的性能标准。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未说明高维条件、比较指标和具体数值，不能认定方法普遍占优。
原文摘要
Beta regression model is useful in the analysis of bounded continuous outcomes such as proportions. It is well known that for any regression model, the presence of multicollinearity leads to poor performance of the maximum likelihood estimators. The ridge type estimators have been proposed to alleviate the adverse effects of the multicollinearity. Furthermore, when some of the predictors have insignificant or weak effects on the outcomes, it is desired to recover as much information as possible from these predictors instead of discarding them all together. In this paper we proposed ridge type shrinkage estimators for the low and high dimensional beta regression model, which address the above two issues simultaneously. We compute the biases and variances of the proposed estimators in closed forms and use Monte Carlo simulations to evaluate their performances. The results show that, both in low and high dimensional data, the performance of the proposed estimators are superior to ridge estimators that discard weak or insignificant predictors. We conclude this paper by applying the proposed methods for two real data from econometric and medicine.