انتخاب متغیر با استفاده از رگرسیون انقباضی و کاربرد آن در داده های ریزآرایه

در مطالعات رگرسیونی، زمانی که بین متغیرهای مستقل همبستگی بالایی 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 بالایی 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 هایی با تعداد زیادی متغیر مستقل است. در این مدل ها تلاش می شود از ضرایب " نزدیک به صفر " حتی الامکان صرف نظر گردد تا فقط متغیرهایی در مدل باقی بمانند که تاثیر کاملا معنی داری در متغیر وابسته دارند. در این مقاله تلاش شده است ضمن مرور مختصری بر روش کمترین مربعات جریمه دار، رگرسیون جریمه دار و نحوه عملکرد این روش در برازش مدل هایی با ابعاد بالا مورد مطالعه و بررسی قرار گیرد. با ارائه دو سری داده واقعی، درستی بعضی از روابط و برتری این روش در مقایسه با سایر روش ها تحقیق شده است و سپس از برآوردهای این روش در تحلیل داده ها مورد استفاده قرار گرفته است.