Diagnósticos de influencia para los modelos lineales mixtos

En este trabajo se presentan varios enfoques para detectar unidades que tienen una magnitud distinta al resto y el efecto que producen sobre los estimadores de los parámetros del modelo. La idea general de los métodos de influencia global y local es introducir cambios en las componentes del modelo...

Descripción completa

Detalles Bibliográficos
Autores principales:	García, María del Carmen Eva, Rapelli Picabea, Cecilia Mónica, Castellana, Noelia, Koegel, Liliana Hilda
Otros Autores:	Secretaría de Ciencia y Tecnología. Facultad de Ciencias Económicas y Estadística. Universidad Nacional de Rosario
Formato:	conferenceObject documento de conferencia acceptedVersion
Lenguaje:	Español
Publicado:	2017
Materias:	Datos longitudinales Modelos lineales mixtos Análisis de influencia Longitudinal data Mixed linear models Influence analysis
Acceso en línea:	http://hdl.handle.net/2133/7496 http://hdl.handle.net/2133/7496
Aporte de:	Repositorio Hipermedial de la Universidad Nacional de Rosario (UNR) de Universidad Nacional de Rosario

id	I15-R121-2133-7496
record_format	dspace
institution	Universidad Nacional de Rosario
institution_str	I-15
repository_str	R-121
collection	Repositorio Hipermedial de la Universidad Nacional de Rosario (UNR)
language	Español
orig_language_str_mv	spa
topic	Datos longitudinales Modelos lineales mixtos Análisis de influencia Longitudinal data Mixed linear models Influence analysis
spellingShingle	Datos longitudinales Modelos lineales mixtos Análisis de influencia Longitudinal data Mixed linear models Influence analysis García, María del Carmen Eva Rapelli Picabea, Cecilia Mónica Castellana, Noelia Koegel, Liliana Hilda Diagnósticos de influencia para los modelos lineales mixtos
topic_facet	Datos longitudinales Modelos lineales mixtos Análisis de influencia Longitudinal data Mixed linear models Influence analysis
description	En este trabajo se presentan varios enfoques para detectar unidades que tienen una magnitud distinta al resto y el efecto que producen sobre los estimadores de los parámetros del modelo. La idea general de los métodos de influencia global y local es introducir cambios en las componentes del modelo y evaluar si se producen cambios importantes en los resultados. El procedimiento comienza detectando los casos atípicos mediante la distancia de verosimilitud. Posteriormente, se descomponen los hallazgos iniciales para determinar si realmente esos casos afectan el proceso de estimación. Si esta medida general sugiere que existen unidades influyentes se tienen que determinar, a posteriori, los elementos del modelo que son influenciados. Los gráficos TRSS, que fueron propuestos recientemente, no eliminan las unidades ni alteran el modelo para identificar las unidades discordantes. El método proporciona una mayor información sobre las mediciones repetidas mediante la utilización de residuos modificados y evalúa eficazmente el efecto de unidades y observaciones discordantes en la estimación de parámetros que incluyen componentes de la variancia. Considerar unidades como influyentes no implica eliminarlas del conjunto o cambiar el modelo, pues, si los puntos afectan los efectos fijos sin ejercer demasiada influencia sobre la precisión de los parámetros de covariancia, su presencia no alterará ni las pruebas de hipótesis ni los intervalos de confianza para los parámetros de efectos fijos. Los diagnósticos de los efectos fijos utilizan una matriz de covariancias especificada para los datos, así su influencia sobre las componentes de variancia se deberían examinar primero. En la aplicación se muestra que: • Influencia global y local: los diagnósticos ayudan a detectar pacientes atípicos mediante la inspección de la distancia de verosimilitud. Sin embargo, algunas unidades que se presentaron con valores altos de la distancia de verosimilitud restringida resultan tener mayor efecto sobre los efectos fijos y otras casi sin impacto sobre los efectos fijos se muestran principalmente influyentes sobre los estimadores puntuales de covariancia. • Gráficos TRSS: detectan en general las mismas unidades que los métodos anteriores. Sin embargo, ayudan a identificar unidades con trayectorias o posiblemente con estructuras de correlación diferentes al resto
author2	Secretaría de Ciencia y Tecnología. Facultad de Ciencias Económicas y Estadística. Universidad Nacional de Rosario
author_facet	Secretaría de Ciencia y Tecnología. Facultad de Ciencias Económicas y Estadística. Universidad Nacional de Rosario García, María del Carmen Eva Rapelli Picabea, Cecilia Mónica Castellana, Noelia Koegel, Liliana Hilda
format	conferenceObject documento de conferencia acceptedVersion
author	García, María del Carmen Eva Rapelli Picabea, Cecilia Mónica Castellana, Noelia Koegel, Liliana Hilda
author_sort	García, María del Carmen Eva
title	Diagnósticos de influencia para los modelos lineales mixtos
title_short	Diagnósticos de influencia para los modelos lineales mixtos
title_full	Diagnósticos de influencia para los modelos lineales mixtos
title_fullStr	Diagnósticos de influencia para los modelos lineales mixtos
title_full_unstemmed	Diagnósticos de influencia para los modelos lineales mixtos
title_sort	diagnósticos de influencia para los modelos lineales mixtos
publishDate	2017
url	http://hdl.handle.net/2133/7496 http://hdl.handle.net/2133/7496
work_keys_str_mv	AT garciamariadelcarmeneva diagnosticosdeinfluenciaparalosmodeloslinealesmixtos AT rapellipicabeaceciliamonica diagnosticosdeinfluenciaparalosmodeloslinealesmixtos AT castellananoelia diagnosticosdeinfluenciaparalosmodeloslinealesmixtos AT koegellilianahilda diagnosticosdeinfluenciaparalosmodeloslinealesmixtos
bdutipo_str	Repositorios
_version_	1764820413151444992

Diagnósticos de influencia para los modelos lineales mixtos

Ejemplares similares