برآورد کمترین مربعات جریمه دار ضرائب رگرسیونی در مدل های جزئا خطی با ابعاد بالا

در مطالعات رگرسیونی‏، زمانی که بین متغیرهای مستقل همبستگی بالائی وجود داشته باشد استفاده از روش های معمول از جمله روش کمترین مربعات معمولی باعث ناپایداری واریانس برآوردها می شود. یک راه حل معمول‏، استفاده از روش کمترین مربعات جریمه دار است که در آن برای مقادیر بزرگ برآوردگرها‏، جریمه بالائی در نظر گرفته می شود و به نوعی تغییرات برآوردگر تحت کنترل در می آید.‎ مورد دیگر استفاده از رگرسیون جریمه دار در مدل های با ابعاد بالا یعنی مدل هائی با تعداد زیادی متغیر مستقل است. در این مدل ها تلاش می شود از ضرائب " نزدیک به صفر" حتی الامکان صرف نظر گردد تا فقط متغیرهائی در مدل باقی بمانند که تاثیر کاملا معنی داری در متغیر پاسخ دارند. در این پژوهش تلاش شده است ضمن مرور مختصری بر روش کمترین مربعات جریمه دار‏، رگرسیون جریمه دار و نحوه عمل این روش در هموارسازی نمودارهای رگرسیونی‏، استفاده از این روش در برازش مدل هائی با ابعاد بالا مورد مطالعه و بررسی قرار گیرد. با استفاده از شبیه سازی ‏، درستی بعضی از روابط و برتری این روش در مقایسه با سایر روش ها تحقیق شده است که با ارائه چند سری داده واقعی‏، این روش در تحلیل آنها مورد استفاده قرار گرفته است