Catálogo de publicaciones

Compartir en
redes sociales

Navegación

Tipo

Acceso

Plataformas

Mostrar más

Temática

Mostrar más

Mostrando 10 de 166.819 registro(s)

tesis Acceso Abierto
Agregar a Mi catálogo

Estimadores robustos en modelos parcialmente no lineales

Más información
Autores/as: Andrés Leandro Muñoz ; Daniela Rodríguez

Disponibilidad
Institución detectada Año de publicación Navegá Descargá Solicitá
No requiere 2018 Biblioteca Digital (FCEN-UBA) (SNRD) acceso abierto
La inferencia estadística es el conjunto de métodos y técnicas que permiten inducir, a partir de la información empírica proporcionada por una muestra, cual es la relación de dependencia existente entre una variable respuesta y una o más variables independientes. Algunos de los modelos que surgen con suma frecuencia en el análisis estadístico son, por un lado, los modelos de regresión no lineales y, por otro, los llamados modelos no paramétricos. Con el deseo de sacar provecho de lo mejor de cada de uno de ellos surgen los modelos semiparamétricos parcialmente no lineales los cuales extienden y fusionan dichos modelos. Es bien sabido que los métodos de estimación clásica para los modelos recién mencionados son altamente sensibles a la presencia de datos atípicos y es entonces que entra en escena la estadística robusta. En esta tesis, el objetivo principal es estudiar procedimientos de estimación robustos para el modelo de regresón parcialmente no lineal. A tal fin proponemos una familia de estimadores robustos obtenidos con un procedimiento de tres pasos. Para la propuesta de estimación estudiamos propiedades teóricas y su comportamiento computacional. Por un lado demostramos, bajo supuestos muy generales, la consistencia y la distribución asintótica. Por otro lado estos resultados teóricos se completan con un estudio de simulación con el objetivo de evaluar el comportamiento de la propuesta robustas frente a distintas perturbaciones del modelo. Finalmente, con el objetivo de ilustrar el uso de los estimadores propuestos, presentamos el ajuste de un modelo parcialmente no lineal a un conjunto reales.
tesis Acceso Abierto
Agregar a Mi catálogo

Estimadores robustos para el modelo de regresión lineal con datos de alta dimensión

Más información
Autores/as: Ezequiel Smucler ; Víctor J. Yohai

Disponibilidad
Institución detectada Año de publicación Navegá Descargá Solicitá
No requiere 2016 Biblioteca Digital (FCEN-UBA) (SNRD) acceso abierto
Los estimadores de regresión penalizados son una herramienta popular para analizar conjuntos de datos ralos y de alta dimensión. Sin embargo, los estimadores de regresión penalizados definidos utilizando funciones de pérdida no acotadas, como la pérdida cuadrática, pueden verse muy afectados por la presencia de observaciones atípicas en la muestra, especialmente aquellas de alto leverage, y por lo tanto no son robustos. Esta tesis consiste de dos partes. En la primera, proponemos una familia de estimadores penalizados para la estimación robusta en modelos lineales ralos y de alta dimensión basados en los MM-estimadores de Yohai (1987). Estudiamos las propiedades asintóticas de estos estimadores en modelos lineales con una cantidad fija de variables predictoras aleatorias. Proponemos un algoritmo para computar una subfamilia de los estimadores propuestos. Las ventajas relativas que ofrecen los estimadores propuestos son demostradas mediante un extenso estudio de simulación y el análisis de un conjunto de datos reales. Esta primer parte está basada en Smucler and Yohai (2015 b). En la segunda parte, estudiamos las propiedades asintóticas de los estimadores propuestos en modelos lineales con un número de variables predictoras fijas que diverge, dentro del régimen p << n. Probamos la consistencia de los estimadores asumiendo solo p/n → 0, y que si la función de penalización es elegida convenientemente entonces los estimadores resultantes tienen la propiedad oráculo definida en Fan and Li (2001). La misma técnica de demostración nos permite probar la consistencia y derivar la distribución asintótica de M-estimadores de regresión definidos utilizando una función de perdida acotada y un estimador de escala, en modelos lineales con un número de variables predictoras fijas que diverge. En particular, probamos la consistencia y derivamos la distribución asintótica de los S-estimadores (Rousseeuw and Yohai (1984)) y MM-estimadores de regresión.
tesis Acceso Abierto
Agregar a Mi catálogo

Estimadores robustos y eficientes para el modelo de Regresión Lineal

Más información
Autores/as: Daniel Gervini ; Víctor J. Yohai

Disponibilidad
Institución detectada Año de publicación Navegá Descargá Solicitá
No requiere 1999 Biblioteca Digital (FCEN-UBA) (SNRD) acceso abierto

Cobertura temática: Ciencias de la computación e información  

En esta Tesis presentamos una nueva clase de estimadores (que llamaremos REWLS) para el modelo de Regresión Lineal. Son estimadores de mínimos cuadrados pesados, con pesos que se calculan de manera adaptiva a partir de la distribución empírica de los residuos de un estimador robusto inicial. Se demuestra que el punto de ruptura de los REWLS no es menor que el del estimador inicial, de modo que pueden alcanzar el punto de ruptura máximo 1/2. Para el caso particular del estimador de mínima mediana de cuadrados (LMS) como estimador inicial y pesos “hard rejection”, se muestra numéricamente que los sesgos máximos del REWLS para contaminaciones puntuales son prácticamente iguales los del LMS. Pero además, y esto constituye el aporte original de la Tesis, se demuestra que bajo el modelo los REWLS son asintóticamente equivalentes al estimador de mínimos cuadrados y entonca alcanzan la máxima eficiencia asintótica para el modelo de errores normales En conclusión, los estimadores que proponemos logran alcanzar la máxima eficiencia asintótica bajo el modelo sin afectar las cualidades de robustez del estimador inicial.
tesis Acceso Abierto
Agregar a Mi catálogo

Estimadores robustos> para <regresión no lineal>

Más información
Autores/as: J. Ricardo Fraiman Maus ; Víctor J. Yohai

Disponibilidad
Institución detectada Año de publicación Navegá Descargá Solicitá
No requiere 1980 Biblioteca Digital (FCEN-UBA) (SNRD) acceso abierto
Fil:Fraiman Maus, J. Ricardo. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.
libros Acceso Abierto
Agregar a Mi catálogo

Estimating Illicit Financial Flows: A Critical Guide to the Data, Methodologies, and Findings

Más información

Disponibilidad
Institución detectada Año de publicación Navegá Descargá Solicitá
No requiere Directory of Open access Books acceso abierto

Cobertura temática: Economía y negocios  

libros Acceso Abierto
Agregar a Mi catálogo

Estimating Terrorism Risk

Más información
Autores/as: Jamison Jo Medby ; Andrew R. Morral ; Terrence K. Kelly ; Henry H. Willis

ISBNs: 978-0-83303-834-0 (impreso) 978-0-83304-093-0 (en línea)

Disponibilidad
Institución detectada Año de publicación Navegá Descargá Solicitá
No requiere 2005 JSTOR acceso abierto

Cobertura temática: Ciencia política  

libros Acceso Abierto
Agregar a Mi catálogo

Estimating the Cost of Administering the Department of Defense Small Business Innovation Research (SBIR) Program

Más información
Autores/as: Somi Seong ; Bruce J. Held ; Kenneth Horn

ISBNs: 978-0-83304-325-2 (impreso) 978-0-83304-440-2 (en línea)

Disponibilidad
Institución detectada Año de publicación Navegá Descargá Solicitá
No requiere 2008 JSTOR acceso abierto

Cobertura temática: Economía y negocios  

libros Acceso Abierto
Agregar a Mi catálogo

Estimating the Value of Water-Use Efficiency in the Intermountain West

Más información
Autores/as: Sara Hajiamiri ; David G. Groves ; James Griffin

ISBNs: 978-0-83304-397-9 (impreso) 978-0-83304-442-6 (en línea)

Disponibilidad
Institución detectada Año de publicación Navegá Descargá Solicitá
No requiere 2008 JSTOR acceso abierto

Cobertura temática: Ciencia política  

libros
Agregar a Mi catálogo

Estimation in Conditionally Heteroscedastic Time Series Models

Más información

ISBNs: 978-3-540-21135-8 (impreso) 978-3-540-26978-6 (en línea)

Disponibilidad
Institución detectada Año de publicación Navegá Descargá Solicitá
No detectada 2005 SpringerLink

Cobertura temática: Matemáticas  

libros
Agregar a Mi catálogo

Estimation of Dependences Based on Empirical Data: Empirical Inference Science Afterword of 2006

Más información

ISBNs: 978-0-387-30865-4 (impreso) 978-0-387-34239-9 (en línea)

Disponibilidad
Institución detectada Año de publicación Navegá Descargá Solicitá
No detectada 2006 SpringerLink

Cobertura temática: Matemáticas - Ingeniería eléctrica, electrónica e informática