Regularización y selección de variables en forma robusta usando Elastic Nets
Matias Salibian-Barrera
University of British Columbia

Agregar un término de regularización a las ecuaciones de estimación se usa a veces para mejorar las propiedades de predicción de estimadores de regresión y también para identificar variables importantes en un modelo. La forma de la penalidad determina diferentes propiedades de los estimadores resultantes. Es fácil convencerse que aún una pequeña proporción de observaciones atípicas puede afectar seriamente a estos estimadores. Existen varios métodos para obtener estimadores robustos regularizados usando penalidades L1 o L2. En esta charla se discutirán estimadores robustos con una penalidad de tipo Elastic Net, la cual combina las penalidades L1 y L2. A diferencia del LASSO, la penalidad Elastic Net resulta en estimadores que pueden seleccionar grupos enteros de variables explicativas que estén relacionadas entre sí, lo cual es deseable en aplicaciones donde se espera que los predictores actúen en tándem. Además de sus propiedades de robustez, predicción y de selección de variables, en esta charla discutimos desafíos específicos para calcular este tipo de estimadores robustos regularizados.

Trabajo conjunto con Gabriela Cohen Freue y David Kepplinger