Адаптированная гребневая регрессия на основе коэффициента байесовского правдоподобия и её применение в модели оценки влияния здоровья на благосостояние граждан Российской Федерации
https://doi.org/10.25205/2542-0429-2024-24-2-99-134
Аннотация
Cравнивается метод пакетной реализации гребневой регрессии с математической моделью на основе оптимизированного байесовского критерия. Цель – проверить модель адаптированной гребневой регрессии на коррелирующих данных. Предлагаемая модель имеет преимущество, так как, помимо отбора переменных, как это делает классическая гребневая регрессия, позволяет оценить p-values построенной линейной регрессии. Кроме этого, метод позволяет регулировать параметры тьюнинга таких моделей, как гребневая регрессия или лассо, на более глубоком уровне. Методический подход применяется для многомерной выборки, в которой необходимо отсеять наименее значимые факторы, и при этом данные отличаются однородностью и разного рода выбросами. Данные взяты на основе опроса населения Российской Федерации, проведенного Высшей школой экономики.
При поддержке: Статья подготовлена по плану НИР ИЭОПП СО РАН, проект «Региональное и муниципальное стратегическое планирование и управление в контексте модернизации государственной региональной политики и развития цифровой экономики»
Об авторе
А. А. Заболотский
Институт экономики и организации промышленного производства СО РАН
Россия
Россия
Заболотский Алексей Александрович - кандидат экономических наук, научный сотрудник отдела регионального и муниципального управления.
Новосибирск
Список литературы
1. Cule E., Vineis P., De Iorio M. Significance testing in ridge regression for genetic data // BMC bioinformatics. 2011. Vol. 12, № 1. P. 1−15. DOI: 10.1186/1471-2105-12-372
2. Zhang S. et al. Kernel ridge regression for general noise model with its application // Neurocomputing. 2015. Vol. 149. P. 836−846.
3. Cawley G. C. et al. Heteroscedastic kernel ridge regression // Neurocomputing. 2004. Vol. 57. P. 105−124.
4. Burnaev E., Nazarov I. Conformalized kernel ridge regression //2 016 15th IEEE international conference on machine learning and applications (ICMLA). IEEE, 2016. P. 45−52.
5. Marquardt D. W., Snee R. D. Ridge regression in practice //The American Statistician. 1975. Vol. 29, № 1. P. 3−20.
6. Exterkate P. Model selection in kernel ridge regression // Computational Statistics & Data Analysis. 2013. 68. Vol. 1−16.
7. Garau M. et al. Is the link between health and wealth considered in decision making? Results from a qualitative study // International journal of technology assessment in health care. 2015. Vol. 31, № 6. P. 449−456.
8. Ghimir U. The impact of health on wealth: empirical evidence // Available at SSRN 3754401. 2020.
9. Shi X. The health-wealth nexus for the elderly: Evidence from the booming housing market in China // Labour Economics. 2022. Vol. 78. P. 102247
10. Bristow P. Can Health Outcomes and Inequalities be Improved While Containing Costs? The Role of Voluntary Health Insurance in Universal Health Care Systems in the OECD. – 2023.
11. Liu X. Q., Gao F. Linearized ridge regression estimator in linear regression // Communications in Statistics-Theory and Methods. 2011. Vol. 40, № 12. P. 2182−2192.
12. Канева М. А., Байдин В. М. Неравенство в доходе и самооценка здоровья в России // ЭКО. 2019. № 12. С. 105−123. DOI: 10.30680/ЕСО0131-7652-2019-12-105-123
Рецензия
Для цитирования:
Заболотский А.А. Адаптированная гребневая регрессия на основе коэффициента байесовского правдоподобия и её применение в модели оценки влияния здоровья на благосостояние граждан Российской Федерации. Мир экономики и управления. 2024;24(2):99-133. https://doi.org/10.25205/2542-0429-2024-24-2-99-134
For citation:
Zabolotsky A.A. Adapted Ridge Regression based on the Bayesian Likelihood Factor and its Application to a Model for Assessing the Impact of Health on the Well-being of Citizens of the Russian Federation. World of Economics and Management. 2024;24(2):99-133. (In Russ.) https://doi.org/10.25205/2542-0429-2024-24-2-99-134
Просмотров:
185
Послать статью по эл. почте 
