The least absolute deviation (LAD) regression is more robust alternative to the popular least squares (LS)
regression whenever there are outliers in the response variable, or the errors follow a heavy-tailed
distribution. The least absolute shrinkage and selection operator (LASSO) is a popular choice for shrinkage estimation and variable selection. By combining these two classical ideas, LAD-LASSO is an estimator which is able to perform shrinkage estimation while at the same time selecting the variables and is resistant to heavy-tailed distributions and outliers. The aim of this article is to reformulate LAD-LASSO problem to solve with the Simplex Algorithm, which is an area of Mathematical Programming.

Yanıt değişkeninde aykırı değerler olduğunda ya da hatalar uzun-kuyruklu dağılımda olduğunda En Küçük
Mutlak Sapma (Least Absolute Deviation, LAD) regresyonu popular En Küçük Kareler (Least Squares, LS)
regresyonuna güçlü bir alternatifdir. En Küçük Mutlak Daralma ve Seçim Operatoru (Least Absolute
Shrinkage and Selection Operator, LASSO) değişken seçimi ve parametre tahmini için populer bir seçimdir.
Bu iki klasik yöntemin birleştirilmesiyle elde edilen En Küçük Mutlak Sapma ve En Küçük Mutlak Daralma
ve Seçim Operatörü (Least Absolute Deviation and Least Absolute Shrinkage and Selection Operator, LADLASSO) değişken seçimini ve parametre tahminini aynı anda yapabilen, uzun kuyruklu dağılımlara ve aykırı değerlere dirençli olan bir tahmin edicidir. Bu tezin amacı, LAD-LASSO problemini yeniden formüle etmek ve yeniden formüle ettiğimiz LAD-LASSO problemini Matematik Programlamanın çözüm yöntemlerinden Simpleks Yöntem ile çözmektir.