Penalty, Shrinkage and Pretest Strategies: Variable Selection and Estimation

هدف این کتاب مقایسه ویژگی های آماری استراتژی های برآورد جریمه و غیر جریمه برای برخی از مدل های رایج است. به طور خاص، مدل کامل، مدل فرعی، جریمه، پیش آزمون و تکنیک‌های برآورد انقباض را برای سه مدل رگرسیون قبل از ارائه خواص مجانبی برآوردگرهای غیر جریمه و مقایسه کارایی توزیع مجانبی آنها در نظر می‌گیرد. علاوه بر این، ویژگی‌های ریسک برآوردگرهای غیر جریمه و برآوردگرهای جریمه از طریق یک مطالعه شبیه‌سازی مونت کارلو بررسی می‌شوند. این کتاب با نمایش نمونه‌هایی بر اساس مجموعه داده‌های واقعی، برای دانشجویان و محققان کاربردی در بسیاری از زمینه‌های کاربردی مفید خواهد بود.

سطح ارائه و سبک کتاب، آن را برای مخاطبان وسیعی در دسترس قرار می‌دهد. این توضیحات واضح و مختصر از هر استراتژی برآورد ارائه می دهد. مهمتر از آن، نحوه استفاده از هر استراتژی تخمینی برای مشکل مورد نظر را به وضوح توضیح می دهد. این کتاب تا حد زیادی مستقل است، مانند فصل های جداگانه، به طوری که هر کسی که علاقه مند به یک موضوع یا حوزه کاربردی خاص است، می تواند فقط آن فصل خاص را بخواند. این کتاب به طور ویژه برای دانشجویان تحصیلات تکمیلی طراحی شده است که می خواهند مبانی و مفاهیم زیربنایی برآورد جریمه و غیر مجازات و کاربردهای آن را درک کنند. این کتاب به‌عنوان یک کتاب درسی برای دوره‌های کارشناسی ارشد و کارشناسی ارشد که استراتژی‌های برآورد جریمه‌ها و غیر جریمه‌ها را بررسی می‌کنند، مناسب است، و همچنین می‌تواند به عنوان یک کتاب مرجع برای مجموعه‌ای از موضوعات مرتبط، از جمله دوره‌های متاآنالیز استفاده شود. آماردانان حرفه ای این کتاب را به عنوان یک اثر مرجع ارزشمند خواهند یافت، زیرا تقریباً همه فصل ها مستقل هستند.

The objective of this book is to compare the statistical properties of penalty and non-penalty estimation strategies for some popular models. Specifically, it considers the full model, submodel, penalty, pretest and shrinkage estimation techniques for three regression models before presenting the asymptotic properties of the non-penalty estimators and their asymptotic distributional efficiency comparisons. Further, the risk properties of the non-penalty estimators and penalty estimators are explored through a Monte Carlo simulation study. Showcasing examples based on real datasets, the book will be useful for students and applied researchers in a host of applied fields.

The book’s level of presentation and style make it accessible to a broad audience. It offers clear, succinct expositions of each estimation strategy. More importantly, it clearly describes how to use each estimation strategy for the problem at hand. The book is largely self-contained, as are the individual chapters, so that anyone interested in a particular topic or area of application may read only that specific chapter. The book is specially designed for graduate students who want to understand the foundations and concepts underlying penalty and non-penalty estimation and its applications. It is well-suited as a textbook for senior undergraduate and graduate courses surveying penalty and non-penalty estimation strategies, and can also be used as a reference book for a host of related subjects, including courses on meta-analysis. Professional statisticians will find this book to be a valuable reference work, since nearly all chapters are self-contained.