Regresión lasso bayesiana. Ajuste de modelos lineales penalizados mediante la asignación de priores normales con mezcla de escala

Uno de los desafíos más importantes del análisis estadístico en grandes volúmenes de da-tos es identificar aquellas variables que provean información valiosa, haciendo una selección de variables predictoras. La estimación Lasso (Least Absolute Shrinkage and Selection Ope-rator) para el modelo de reg...

Descripción completa

Detalles Bibliográficos
Autores principales:	Allasia, María Belén, Branco, Márcia D´Elia, Quaglino, Marta Beatriz
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:	Data Mining Regresión penalizada Selección de variables Penalized regression Variable Selection
Acceso en línea:	http://hdl.handle.net/2133/7625 http://hdl.handle.net/2133/7625
Aporte de:	Aportado por : Repositorio Hipermedial de la Universidad Nacional de Rosario (UNR) de Universidad Nacional de Rosario .

id	I15-R121-2133-7625
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	Data Mining Regresión penalizada Selección de variables Data Mining Penalized regression Variable Selection
spellingShingle	Data Mining Regresión penalizada Selección de variables Data Mining Penalized regression Variable Selection Allasia, María Belén Branco, Márcia D´Elia Quaglino, Marta Beatriz Regresión lasso bayesiana. Ajuste de modelos lineales penalizados mediante la asignación de priores normales con mezcla de escala
topic_facet	Data Mining Regresión penalizada Selección de variables Data Mining Penalized regression Variable Selection
description	Uno de los desafíos más importantes del análisis estadístico en grandes volúmenes de da-tos es identificar aquellas variables que provean información valiosa, haciendo una selección de variables predictoras. La estimación Lasso (Least Absolute Shrinkage and Selection Ope-rator) para el modelo de regresión lineal puede ser interpretada desde el enfoque Bayesiano como la moda a posteriori cuando los coeficientes de regresión tienen distribución priori do-ble exponencial independientes. Al representar dicha distribución como una distribución Normal con mezcla de escala, es factible la construcción de un modelo jerárquico mediante la introducción de un vector de variables latentes, conjugando una distribución priori normal para los parámetros de regresión y prioris exponencial independientes para sus respectivas variancias. Mediante la implementación del algoritmo de simulación de Gibbs a partir de las distribuciones condicionales completas, se obtienen secuencias que permiten estimar cual-quier característica de interés de la distribución a posteriori de manera sencilla. La regresión Lasso Bayesiana tiene una enorme ventaja sobre el método clásico, dado que permite mejo-rar sustancialmente la inferencia, especialmente en el contexto de muchas variables predic-toras
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 Allasia, María Belén Branco, Márcia D´Elia Quaglino, Marta Beatriz
format	conferenceObject documento de conferencia acceptedVersion
author	Allasia, María Belén Branco, Márcia D´Elia Quaglino, Marta Beatriz
author_sort	Allasia, María Belén
title	Regresión lasso bayesiana. Ajuste de modelos lineales penalizados mediante la asignación de priores normales con mezcla de escala
title_short	Regresión lasso bayesiana. Ajuste de modelos lineales penalizados mediante la asignación de priores normales con mezcla de escala
title_full	Regresión lasso bayesiana. Ajuste de modelos lineales penalizados mediante la asignación de priores normales con mezcla de escala
title_fullStr	Regresión lasso bayesiana. Ajuste de modelos lineales penalizados mediante la asignación de priores normales con mezcla de escala
title_full_unstemmed	Regresión lasso bayesiana. Ajuste de modelos lineales penalizados mediante la asignación de priores normales con mezcla de escala
title_sort	regresión lasso bayesiana. ajuste de modelos lineales penalizados mediante la asignación de priores normales con mezcla de escala
publishDate	2017
url	http://hdl.handle.net/2133/7625 http://hdl.handle.net/2133/7625
work_keys_str_mv	AT allasiamariabelen regresionlassobayesianaajustedemodeloslinealespenalizadosmediantelaasignaciondeprioresnormalesconmezcladeescala AT brancomarciadelia regresionlassobayesianaajustedemodeloslinealespenalizadosmediantelaasignaciondeprioresnormalesconmezcladeescala AT quaglinomartabeatriz regresionlassobayesianaajustedemodeloslinealespenalizadosmediantelaasignaciondeprioresnormalesconmezcladeescala
bdutipo_str	Repositorios
_version_	1764820413378985985

Regresión lasso bayesiana. Ajuste de modelos lineales penalizados mediante la asignación de priores normales con mezcla de escala

Ejemplares similares