Estimación robusta en modelos de regresión no-paramétrica generalizados

Mostrar todas las versiones(2)

En esta tesis, se estudia una clase de estimadores robustos para la función de regresión en un modelo de regresión no paramétrico generalizado. Se considera la situación en que las variables respuesta {yi, 1 ≤ i ≤ n} son variables aleatorias independientes relacionadas con covariables xi fijas o ale...

Descripción completa

Detalles Bibliográficos
Autor principal: Sombielle, María Susana
Otros Autores: Bianco, Ana María
Formato: Tesis de maestría publishedVersion
Lenguaje:Español
Publicado: Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales 2009
Materias:
ESTIMADORES DE NUCLEOS
ESTIMADORES ROBUSTOS
MODELOS GENERALIZADOS
SUAVIZADORES
GENERALIZED REGRESSION MODELS
KERNEL WEIGHTS
ROBUST ESTIMATION
SMOOTHING
Acceso en línea:https://hdl.handle.net/20.500.12110/tesis_n4542_Sombielle
Aporte de:
Biblioteca Digital - Facultad de Ciencias Exactas y Naturales (UBA) de Universidad de Buenos Aires
id tesis:tesis_n4542_Sombielle
record_format dspace
institution Universidad de Buenos Aires
institution_str I-28
repository_str R-134
collection Biblioteca Digital - Facultad de Ciencias Exactas y Naturales (UBA)
language Español
orig_language_str_mv spa
topic ESTIMADORES DE NUCLEOS
ESTIMADORES ROBUSTOS
MODELOS GENERALIZADOS
SUAVIZADORES
GENERALIZED REGRESSION MODELS
KERNEL WEIGHTS
ROBUST ESTIMATION
SMOOTHING
spellingShingle ESTIMADORES DE NUCLEOS
ESTIMADORES ROBUSTOS
MODELOS GENERALIZADOS
SUAVIZADORES
GENERALIZED REGRESSION MODELS
KERNEL WEIGHTS
ROBUST ESTIMATION
SMOOTHING
Sombielle, María Susana
Estimación robusta en modelos de regresión no-paramétrica generalizados
topic_facet ESTIMADORES DE NUCLEOS
ESTIMADORES ROBUSTOS
MODELOS GENERALIZADOS
SUAVIZADORES
GENERALIZED REGRESSION MODELS
KERNEL WEIGHTS
ROBUST ESTIMATION
SMOOTHING
description En esta tesis, se estudia una clase de estimadores robustos para la función de regresión en un modelo de regresión no paramétrico generalizado. Se considera la situación en que las variables respuesta {yi, 1 ≤ i ≤ n} son variables aleatorias independientes relacionadas con covariables xi fijas o aleatorias donde yi|xi ~ F(., μi) con E (yi|xi) = μi = H(g(xi)), siendo ahora g la función deregresión que se desea estimar y H la función de vínculo conocida. En primer lugar, se presenta una revisión de los principales resultados relacionados con robustez en modelos de regresión lineal y generalizada, así como en modelos de regresión no–paramétrica. Se muestra como la presencia de una sola observación atípica puede modificar en gran medida el estimador de regresión lineal (basado en promedios locales) bajo un modelo de regresión no–paramétrica generalizada. Para evitar la sensibilidad de estos procedimientos ante la presencia de datos atípicos se consideran alternativas robustas. Dichos estimadores se obtienen reemplazando en la función objetivo la cuasi–verosimilitud o la deviance por una versión robustificada de las mismas mediante el uso de una función de escores acotada y de un término de corrección para lograr Fisher–consistencia, tales como en los introducidos por Bianco y Boente (1996). Los estimadoresasí obtenidos resultan consistentes y asintóticamente normales. Un estudio de simulación permite comparar el comportamiento del estimador clásico con las propuestas robustas usando distintas funciones de escores para muestras de tama˜no moderado con distribución perteneciente al modelo central (Binomial, Poisson o Gamma) y con distintos tipos de contaminaciones. Las propuestas robustas mejoran el comportamiento de las clásicas bajo contaminación.
author2 Bianco, Ana María
author_facet Bianco, Ana María
Sombielle, María Susana
format Tesis de maestría
Tesis de maestría
publishedVersion
author Sombielle, María Susana
author_sort Sombielle, María Susana
title Estimación robusta en modelos de regresión no-paramétrica generalizados
title_short Estimación robusta en modelos de regresión no-paramétrica generalizados
title_full Estimación robusta en modelos de regresión no-paramétrica generalizados
title_fullStr Estimación robusta en modelos de regresión no-paramétrica generalizados
title_full_unstemmed Estimación robusta en modelos de regresión no-paramétrica generalizados
title_sort estimación robusta en modelos de regresión no-paramétrica generalizados
publisher Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
publishDate 2009
url https://hdl.handle.net/20.500.12110/tesis_n4542_Sombielle
work_keys_str_mv AT sombiellemariasusana estimacionrobustaenmodelosderegresionnoparametricageneralizados
AT sombiellemariasusana robustestimationingeneralizednonparametricregressionmodels
_version_ 1831981199550054400
spelling tesis:tesis_n4542_Sombielle2025-03-31T21:27:10Z Estimación robusta en modelos de regresión no-paramétrica generalizados Robust estimation in generalized non-parametric regression models Sombielle, María Susana Bianco, Ana María Boente Boente, Graciela Lina ESTIMADORES DE NUCLEOS ESTIMADORES ROBUSTOS MODELOS GENERALIZADOS SUAVIZADORES GENERALIZED REGRESSION MODELS KERNEL WEIGHTS ROBUST ESTIMATION SMOOTHING En esta tesis, se estudia una clase de estimadores robustos para la función de regresión en un modelo de regresión no paramétrico generalizado. Se considera la situación en que las variables respuesta {yi, 1 ≤ i ≤ n} son variables aleatorias independientes relacionadas con covariables xi fijas o aleatorias donde yi|xi ~ F(., μi) con E (yi|xi) = μi = H(g(xi)), siendo ahora g la función deregresión que se desea estimar y H la función de vínculo conocida. En primer lugar, se presenta una revisión de los principales resultados relacionados con robustez en modelos de regresión lineal y generalizada, así como en modelos de regresión no–paramétrica. Se muestra como la presencia de una sola observación atípica puede modificar en gran medida el estimador de regresión lineal (basado en promedios locales) bajo un modelo de regresión no–paramétrica generalizada. Para evitar la sensibilidad de estos procedimientos ante la presencia de datos atípicos se consideran alternativas robustas. Dichos estimadores se obtienen reemplazando en la función objetivo la cuasi–verosimilitud o la deviance por una versión robustificada de las mismas mediante el uso de una función de escores acotada y de un término de corrección para lograr Fisher–consistencia, tales como en los introducidos por Bianco y Boente (1996). Los estimadoresasí obtenidos resultan consistentes y asintóticamente normales. Un estudio de simulación permite comparar el comportamiento del estimador clásico con las propuestas robustas usando distintas funciones de escores para muestras de tama˜no moderado con distribución perteneciente al modelo central (Binomial, Poisson o Gamma) y con distintos tipos de contaminaciones. Las propuestas robustas mejoran el comportamiento de las clásicas bajo contaminación. In this thesis, we introduce a class of robust estimates for the regression function under a generalized non–parametric regression model. We deal with the situation in which the data (yi, xi), 1 ≤ i ≤ n, are modeled by yi| (xi, ti) ~ F (·, μi) with μi = H (g(xi)), for some known distribution function F and link function H, where xi ∈ Rp are fixed or random effects. The function g : Rp → R is unknown and to be estimated. We first present a review of the main results on robustness obtained in linear regression and generalized linear regression and also in non–parametric regression models. We show that just a single anomalous observation can severaly affect the classical estimation procedure. To avoid the sensitivity of the classical methods, robust alternatives are considered. The robust estimators are obtained replacing in the objective function the quasi–likelihood or the deviance functions bya robust version of them through a score function that bounds large values of the deviance or Pearson residuals, as in Bianco and Boente (1996). The resulting estimators are consistent andasymptotically normally distributed. Through a Monte Carlo study, we compare the performance of these estimators with that of the classical ones for different score functions and samples with Binomial, Poisson or Gammma distribution as well as contaminated ones. The robust proposalsimprove the behavior of the classical ones when outliers are present. Fil: Sombielle, María Susana. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales 2009 info:eu-repo/semantics/masterThesis info:ar-repo/semantics/tesis de maestría info:eu-repo/semantics/publishedVersion application/pdf spa info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-sa/2.5/ar https://hdl.handle.net/20.500.12110/tesis_n4542_Sombielle

Ejemplares similares