Intervalos de confianza Bootstrap en regresión p-spline con errores autocorrelacionados
| dc.citation.title | Decimoctavas Jornadas "Investigaciones en la Facultad" de Ciencias Económicas y Estadística | es |
| dc.contributor.organizer | Secretaría de Ciencia y Tecnología. Facultad de Ciencias Económicas y Estadística. Universidad Nacional de Rosario | es |
| dc.creator | Marí, Gonzalo Pablo Domingo | |
| dc.creator | Zino, Nicolás | |
| dc.date.accessioned | 2017-07-24T14:10:05Z | |
| dc.date.available | 2017-07-24T14:10:05Z | |
| dc.date.issued | 2013-11 | |
| dc.description.abstract | n.d. | es |
| dc.description.fil | Fil: Marí, Gonzalo - Facultad Ciencias Económicas y Estadística - Universidad Nacional de Rosario - Argentina | es |
| dc.format | application/pdf | |
| dc.identifier.issn | 1668-5008 | es |
| dc.identifier.uri | http://hdl.handle.net/2133/7549 | |
| dc.language.iso | spa | es |
| dc.relation.publisherversion | https://www.fcecon.unr.edu.ar/web-nueva/investigacion/actas-de-las-jornadas-anuales | es |
| dc.rights | openAccess | es |
| dc.rights.holder | Facultad Ciencias Económicas y Estadística, Universidad Nacional de Rosario- Argentina | es |
| dc.rights.text | Atribución – No Comercial – Compartir Igual (by-nc-sa) | es |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/2.5/ar/ | * |
| dc.subject | n.d. | es |
| dc.subject | n.d. | es |
| dc.subject | n.d. | es |
| dc.title | Intervalos de confianza Bootstrap en regresión p-spline con errores autocorrelacionados | es |
| dc.type | conferenceObject | |
| dc.type | documento de conferencia | |
| dc.type | acceptedVersion | |
| dc.type.collection | comunicaciones | |
| dc.type.version | acceptedVersion | es |
Archivos
Bloque original
1 - 1 de 1
Cargando...
- Nombre:
- Mari_ Zino intervalos de confianza.pdf
- Tamaño:
- 1008.97 KB
- Formato:
- Adobe Portable Document Format
- Descripción:
- Los modelos de regresión constituyen una herramienta muy útil y potente cuando el objetivo es relacionar una variable respuesta con una o más variables explicativas. Sin embargo es-tos modelos tienen una estructura rígida (lineal, cuadrática, etc., o aún no lineal), que a me-nudo no logra “captar” el comportamiento de los datos en todo el campo de variación de las variables explicativas. Cuando el diagrama de dispersión revela una fuerte asociación entre la variable respuesta y la explicativa pero esta relación presenta cambios de pendiente, picos y valles a lo largo del campo de variación de la variable explicativa, o bien cuando, debido a un tamaño de mues-tra grande y a una gran variabilidad en los datos, no es posible explicitar de antemano un modelo de regresión polinómica o de regresión no lineal, debe recurrirse a otras herramien-tas que permitan representar adecuadamente los datos. Comprendidas dentro del conjunto de técnicas de suavizado, las Regresiones Splines Pena-lizadas (P-splines) han recibido durante las últimas décadas una renovada atención, convir-tiéndose en una herramienta simple pero efectiva, para describir relaciones entre variables que no pueden ser debidamente alcanzadas por los métodos de regresión usuales. Su prin-cipal virtud radica en la flexibilidad para adaptarse a la forma original de la relación, permi-tiendo obtener buenos resultados con polinomios de bajo grado. En definitiva, las regresiones P-splines corresponden a una regresión por partes, donde ca-da una de ellas es una región del campo de variación de la variable explicativa en la que se ajusta un modelo de regresión polinómica (en general de bajo orden) y que están unidas en los extremos (“nodos”) para dar continuidad a la curva. Dado que dependen en gran medida de la cantidad de regiones que se consideren y de su amplitud, es necesario definir un nú-mero grande de regiones y ponderar la importancia de las mismas. Como todo modelo de regresión, las regresiones P-splines están sujetas al cumplimiento de los supuestos, los cuales junto a los métodos de estimación, caracterizan a los resultados alcanzados por la regresión. El cumplimiento de los mismos permite asegurar la estabilidad de las estimaciones obtenidas y de esa manera, confirmar la validez de las inferencias que se realicen con posterioridad. En consecuencia, cuando tales supuestos son violados, las propiedades de los estimadores es no se cumplen e impactan directamente en los coeficientes, las pruebas de hipótesis, los intervalos de confianza, las predicciones, etc. Existen diversas formas de construir intervalos de confianza. La más conocida es que pro-viene de la teoría clásica. Por otro lado, la técnica Bootstrap es un método de replicación que consiste en la reutilización de los datos muestrales y que permite obtener estimaciones de los parámetros de interés aplicando el mismo estimador a cada una de las muestras ge-neradas a partir de la original. Dentro de estos métodos, se pueden mencionar el Bootstrap paramétrico, empírico y Wild. La dificultad que tienen todos estos métodos es que se consi-deran a los errores como independientes. En este trabajo se presenta una adaptación de los métodos Bootstrap que contempla errores autocorrelacionados. A partir de un estudio de simulación, se evalúa la cobertura de los métodos considerados
Bloque de licencias
1 - 1 de 1
- Nombre:
- license.txt
- Tamaño:
- 3.14 KB
- Formato:
- Item-specific license agreed upon to submission
- Descripción: