论文研究 线性回归模型中通过有偏估计的变量选择

最小绝对收缩和选择算子（LASSO）用于变量选择以及线性回归模型中同时处理多重共线性问题。如果预测变量的数量大于观测值的数量，并且预测变量之间存在较高的多重共线性，则LASSO会产生具有高方差的估计。为了解决这个问题，通过结合LASSO和Ri​​dge估计器（RE）引入了ElasticNet（ENet）估计器。分别使用最小角度回归（LARS）和LARS-EN算法获得了LASSO和ENet的解决方案。在本文中，我们提出了一种替代算法来克服LASSO中的问题，可以将LASSO与其他现有的有偏估计量相结合，即几乎无偏岭估计量（AURE），Liu估计量（LE），几乎无偏刘氏估计量（AULE）