Publication: Algoritmos adaptativos de Gibbs Sampling para la identificación de heterogeneidad en regresión y series temporales
Loading...
Identifiers
Publication date
1995-09
Defense date
1995-10-26
Authors
Advisors
Tutors
Journal Title
Journal ISSN
Volume Title
Publisher
Impact
Export
Abstract
El objetivo principal de esta tesis doctoral es desarrollar nuevos procedimientos para la
identificación de observaciones atípicas que introducen heterogeneidad en muestras con
datos independientes y dependientes. Se proponen dos algoritmos diferentes para los
problemas de regresión y series temporales basados en el algoritmo de Gibbs Sampling.
Al igual que sucede con los métodos clásicos de identificación de valores atípicos,
se demuestra que la aplicación estándar del Gibbs Sampling no proporciona una identificación correcta de estos valores atípicos en problemas que presentan grupos de observaciones atípicas enmascaradas. Dado un vector cualquiera de valores iniciales,
teóricamente el algoritmo converge a la verdadera distribución a posteriori de los
parámetros, sin embargo, la velocidad de convergencia puede ser extremadamente lenta
cuando el espacio paramétrico tiene dimensión alta y los parámetros están muy correlacionados. Los nuevos algoritmos que se discuten en este trabajo permiten mediante un
proceso de aprendizaje adaptar las condiciones iniciales del Gibbs Sampling y mejorar
su convergencia a la distribución a posteriori de los parámetros del modelo.
Description
Keywords
Análisis de regresión, Análisis de series temporales