Técnica de regresión lineal regularizada que penaliza los coeficientes grandes mediante una penalización L2 para estabilizar las estimaciones ante alta multicolinealidad.
Explicación y Contexto Conceptual
Ridge Regression (o regresión de Tikhonov) es una técnica matemática de regularización de vital importancia en la econometría de medios moderna. En los datos del mundo real de marketing, los canales publicitarios sufren de severa multicolinealidad: los anunciantes suelen aumentar el gasto en televisión, radio, pauta digital y banners en las mismas semanas del año (como Cyber Monday o promociones estacionales).
En un modelo OLS tradicional, la correlación extrema entre canales desestabiliza las matemáticas de la matriz de inversión, provocando que los coeficientes oscilen violentamente entre valores positivos gigantescos y valores negativos ilógicos. Ridge Regression resuelve este problema introduciendo una penalización matemática (norma L2) proporcional al cuadrado de la magnitud de los coeficientes multiplicada por un hiperparámetro lambda.
Esta penalización 'encoge' (shrinks) los coeficientes hacia cero sin eliminarlos, mitigando la varianza, estabilizando las estimaciones y permitiendo que cada canal reciba un peso realista y equilibrado.
Ejemplo en la Práctica
Al aplicar Ridge Regression en un dataset de 15 canales correlacionados, los coeficientes de ROI se estabilizan y desaparecen los absurdos coeficientes negativos generados por OLS.