Ha habido un montón de investigación sobre ponderado de regresión lineal. La mayoría de los debates sobre el peso de las muestras, por ejemplo, el peso en $y$, en lugar de peso en $X$,
\begin{align}
X &= [X_{0}, X_{1}, ... X_{n}] \\
y &= \beta X
\end{align}
En la mayoría de los problemas de ingeniería, existen un conocimiento a priori acerca de los factores $X_{i}$. Sabemos que algunos de los factores son "primarias" de los factores, con una fuerte lógica de negocio de razones. Por ejemplo, los precios de la vivienda ($y$) y la mediana de ingreso de código postal.
Me pregunto si no es un enfoque similar a 'el peso de los factores en el modelo de regresión, que se puede introducir por encima de un conocimiento a priori.
Esto debería ser muy útil cuando nos ocupamos de la multicolinealidad. Para establecer una correlación de los factores, se puede dar mayor peso al factor de que sabemos que es importante. Sin embargo, un conocimiento a priori no es realmente una distribución acerca de la $\beta$, pero sólo un peso
¿Alguien puede dar alguna aclaración aquí?
