Cross-Fitted Contamination-Aware Generalized Empirical-Bayes Liu Shrinkage for Multinomial Logit Models under Multicollinearity and Outliers
यह शोध पत्र मल्टीनोमियल लॉजिट मॉडल के लिए क्रॉस-फिटेड कंटैमिनेशन-अवेयर जनरलाइज्ड एम्पिरिकल-बेयस लियू श्रिंकेज (CF-CABLS-MNL) एस्टीमेटर का प्रस्ताव और मूल्यांकन करता है, जो एक ऐसा सुदृढ़ ढांचा है जो मल्टीकोलिनैरिटी और आउटलेयर्स के तहत माध्य वर्ग त्रुटि को महत्वपूर्ण रूप से कम करने के लिए क्रॉस-फिटेड डेंसिटी-पावर-डाइवर्जेंस, मिसक्लासिफिकेशन एडजस्टमेंट और स्पेक्ट्रल श्रिंकेज को एकीकृत करता है, हालांकि अनुभवजन्य परिणाम संकेत देते हैं कि जहाँ यह संदूषित सेटिंग्स में उत्कृष्ट प्रदर्शन करता है, वहीं स्वच्छ या सघन-डेटा परिदृश्यों में रिज रिग्रेशन जैसे प्रत्यक्ष रेगुलाइजेशन विधियाँ इससे बेहतर प्रदर्शन कर सकती हैं।