Estimación robusta multivariada en presencia de datos faltantes

Mostrar todas las versiones(2)

Existen dos problemas principales relacionados con la calidad de los datos, los datos atípicos, y la presencia de datos faltantes. Estos problemas han sido muy estudiados de forma separada y recientemente de forma conjunta. Métodos robustos como los MM-estimadores pueden dar buenos resultados aun en...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Marfia, Martín, Kudraszow, Nadia L.
Formato: poster
Lenguaje:Español
Publicado: 2020
Materias:
Datos faltantes
Estimador robusto
Acceso en línea:http://hdl.handle.net/11086/16855
Aporte de:
Repositorio Digital Universitario (UNC) de Universidad Nacional de Córdoba
id I10-R14111086-16855
record_format dspace
institution Universidad Nacional de Córdoba
institution_str I-10
repository_str R-141
collection Repositorio Digital Universitario (UNC)
language Español
topic Datos faltantes
Estimador robusto
spellingShingle Datos faltantes
Estimador robusto
Marfia, Martín
Kudraszow, Nadia L.
Estimación robusta multivariada en presencia de datos faltantes
topic_facet Datos faltantes
Estimador robusto
description Existen dos problemas principales relacionados con la calidad de los datos, los datos atípicos, y la presencia de datos faltantes. Estos problemas han sido muy estudiados de forma separada y recientemente de forma conjunta. Métodos robustos como los MM-estimadores pueden dar buenos resultados aun en presencia de datos atípicos, pero no pueden lidiar con datos faltantes a menos que se consideren únicamente los casos completos lo cual no siempre es óptimo. Cuando no hay datos atípicos se suele asumir normalidad y utilizar el algoritmo EM, que maximiza la verosimilitud de los datos observados. Asumimos que nuestros datos están completamente perdidos al azar (MCAR), lo que quiere decir que las componentes de una observación se pierdan no depende de los valores que tome esa observación. Nuestro objetivo es proponer una generalización del estimador de tipo MM [1] para el modelo de posición y escala multivariado que sea capaz de enfrentar ambos problemas. Para ello, nuestro enfoque es considerar como estimador de escala inicial la escala de las distancias de Mahalanobis parciales del S-estimador generalizado [2], y usarlo como punto de partida para calcular un M-estimador cuya función rho tiene un parámetro para controlar la eficiencia. Estudiamos condiciones de existencia del estimador, y encontramos un algoritmo iterativo que nos permite calcular la solución aproximada con cierto nivel de tolerancia preestablecido. Realizamos simulaciones Monte Carlo y un ejemplo con datos reales. Evidenciamos un buen desempeño en muestras con y sin datos atípicos y en presencia de datos faltantes.
format poster
author Marfia, Martín
Kudraszow, Nadia L.
author_facet Marfia, Martín
Kudraszow, Nadia L.
author_sort Marfia, Martín
title Estimación robusta multivariada en presencia de datos faltantes
title_short Estimación robusta multivariada en presencia de datos faltantes
title_full Estimación robusta multivariada en presencia de datos faltantes
title_fullStr Estimación robusta multivariada en presencia de datos faltantes
title_full_unstemmed Estimación robusta multivariada en presencia de datos faltantes
title_sort estimación robusta multivariada en presencia de datos faltantes
publishDate 2020
url http://hdl.handle.net/11086/16855
work_keys_str_mv AT marfiamartin estimacionrobustamultivariadaenpresenciadedatosfaltantes
AT kudraszownadial estimacionrobustamultivariadaenpresenciadedatosfaltantes
bdutipo_str Repositorios
_version_ 1764820393641639939

Ejemplares similares