Estimadores de proyección para modelos de regresión binomial

Autores
Bergesio, Andrea Claudia
Año de publicación
2006
Idioma
español castellano
Tipo de recurso
tesis doctoral
Estado
versión publicada
Colaborador/a o director/a de tesis
Yohai, Víctor J.
Descripción
Presentamos una clase de estimadores para modelos de regresión binomial que es una extensión de los estimadores de proyección definidos por Maronna y Yohai (1993) para el modelo lineal. Consideramos una variable dependiente y, que está relacionada con un vector x de dimensión p. Suponemos que la distribución de y dado x es binomial Bi(1, θ) con probabidad θ dependiendo de x a través de una función de enlace π θ = π(β00x) (1) para algún β0 ∈ Rp. Consideramos el siguiente modelo auxiliar con un solo parámetro γ0. Se observa (y, z, w), donde la distribución de y condicional a las variables z y w es Bi(1, θ) y θ es de la forma θ = π(γ0w + z). (2) Supongamos que dada una muestra aleatoria de tamaño n, (y1, z1, w1), . . . , (yn, zn, wn) para el modelo (2) se tiene un estimador altamente robusto bγn((y1, z1, w1), . . . , (yn, zn, wn)) de γ0. Este estimador bγn va a ser utilizado para definir estimadores para β0 en el modelo (1) de la siguiente manera. Consideramos una muestra aleatoria (x1, y1), . . . , (xn, yn) del modelo (1), luego el estimador de proyección bβn se define como el argumento que minimiza sup λ:kλk=1 |bγn((y1, z1(λ),w1(β)), . . . , (yn, zn(λ),wn(β)))|s(z1(λ), . . . , zn(λ)) donde wi(β) = β0xi, zi(λ) = λ0xi, 1 ≤ i ≤ n, y s es un estimador de escala robusto. Los principales resultados de la tesis son: • Se encontró el estimador bγn para el modelo (2) con menor sensibilidad a errores groseros en la clase de M-estimadores que son condicionalmente consistentes en el sentido de Fisher. Este estimador fue usado como estimador inicial para definir los estimadores de proyección. • Se obtuvieron cotas superiores para el máximo sesgo de los estimadores de proyección en función del máximo sesgo del estimador inicial bγn. • Se demostró que los estimadores de proyección tienen orden de convergencia n−1/2. • Se desarrolló un algoritmo que permite calcular los estimadores de proyección propuestos. • Se realizó un estudio de Monte Carlo, donde se comparan los estimadores de proyección con otros estimadores robustos. Este estudio muestra la superioridad en robustez de los estimadores de proyección.
We present a class of estimates for binomial regression models which are an extension of the projection estimates introduced by Maronna and Yohai (1983) for the linear model. Suppose that we observe (y, x), where x is a random vector of dimension p and the distribution of y given x is binomial Bi(1, θ) with probability θ and where θ = π(β00x) (1) for some β0 ∈ Rp. Consider now the following binomial regression model with only one parameter γ0. We observe (y, z, w), where the distribution of y conditional (z, w) is Bi(1, θ) and θ is of the form θ = π(γ0w + z). (2) Suppose that given a random sample of size of n of model (2) (y1, z1, w1), . . . , (yn, zn, wn), we have a highly robust estimate bγn((y1, z1, w1), . . . , (yn, zn, wn)) of γ0. We will use bγn to define an estimate of β0 in model (1) as follows. Consider a random sample (x1, y1), . . . , (xn, yn) of model (1), then the projection estimate bβn is defined by the argument that minimizes sup λ:kλk=1 |bγn((y1, z1(λ),w1(β)), . . . , (yn, zn(λ),wn(β)))|s(z1(λ), . . . , zn(λ)) where wi(β) = β0xi, zi(λ) = λ0xi, 1 ≤ i ≤ n, and where s is a robust scale estimate. The main achievements in this thesis are • The estimate bγn for model (2) with smallest gross error sensitivity in the class of M-estimates which are conditionally Fisher consistent. This estimate was used as initial estimate to define the projection estimates. • Upper bounds for the maximum bias of the projection estimates as a function of the maximum bias of the initial estimate bγn. • The order of consistency of the projection estimates, which is n−1/2. • An algorithm to compute the projection estimates. • A Monte Carlo study where several robust estimates for the logistic model are compared. This study shows that projection estimates compare favorably with other robust estimates.
Fil: Bergesio, Andrea Claudia. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.
Materia
REGRESION LOGISTICA
ESTIMADORES ROBUSTOS
ESTIMADORES DE PROYECCION
MAXIMO SESGO
LOGISTIC REGRESSION
ROBUST ESTIMATES
PROJECTION ESTIMATES
MAXIMUM BIAS
Nivel de accesibilidad
acceso abierto
Condiciones de uso
https://creativecommons.org/licenses/by-nc-sa/2.5/ar
Repositorio
Biblioteca Digital (UBA-FCEN)
Institución
Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
OAI Identificador
tesis:tesis_n4044_Bergesio

id BDUBAFCEN_1d83a452fd0c5414bfae8fac6c14c564
oai_identifier_str tesis:tesis_n4044_Bergesio
network_acronym_str BDUBAFCEN
repository_id_str 1896
network_name_str Biblioteca Digital (UBA-FCEN)
spelling Estimadores de proyección para modelos de regresión binomialProjection estimates for binomial regression modelsBergesio, Andrea ClaudiaREGRESION LOGISTICAESTIMADORES ROBUSTOSESTIMADORES DE PROYECCIONMAXIMO SESGOLOGISTIC REGRESSIONROBUST ESTIMATESPROJECTION ESTIMATESMAXIMUM BIASPresentamos una clase de estimadores para modelos de regresión binomial que es una extensión de los estimadores de proyección definidos por Maronna y Yohai (1993) para el modelo lineal. Consideramos una variable dependiente y, que está relacionada con un vector x de dimensión p. Suponemos que la distribución de y dado x es binomial Bi(1, θ) con probabidad θ dependiendo de x a través de una función de enlace π θ = π(β00x) (1) para algún β0 ∈ Rp. Consideramos el siguiente modelo auxiliar con un solo parámetro γ0. Se observa (y, z, w), donde la distribución de y condicional a las variables z y w es Bi(1, θ) y θ es de la forma θ = π(γ0w + z). (2) Supongamos que dada una muestra aleatoria de tamaño n, (y1, z1, w1), . . . , (yn, zn, wn) para el modelo (2) se tiene un estimador altamente robusto bγn((y1, z1, w1), . . . , (yn, zn, wn)) de γ0. Este estimador bγn va a ser utilizado para definir estimadores para β0 en el modelo (1) de la siguiente manera. Consideramos una muestra aleatoria (x1, y1), . . . , (xn, yn) del modelo (1), luego el estimador de proyección bβn se define como el argumento que minimiza sup λ:kλk=1 |bγn((y1, z1(λ),w1(β)), . . . , (yn, zn(λ),wn(β)))|s(z1(λ), . . . , zn(λ)) donde wi(β) = β0xi, zi(λ) = λ0xi, 1 ≤ i ≤ n, y s es un estimador de escala robusto. Los principales resultados de la tesis son: • Se encontró el estimador bγn para el modelo (2) con menor sensibilidad a errores groseros en la clase de M-estimadores que son condicionalmente consistentes en el sentido de Fisher. Este estimador fue usado como estimador inicial para definir los estimadores de proyección. • Se obtuvieron cotas superiores para el máximo sesgo de los estimadores de proyección en función del máximo sesgo del estimador inicial bγn. • Se demostró que los estimadores de proyección tienen orden de convergencia n−1/2. • Se desarrolló un algoritmo que permite calcular los estimadores de proyección propuestos. • Se realizó un estudio de Monte Carlo, donde se comparan los estimadores de proyección con otros estimadores robustos. Este estudio muestra la superioridad en robustez de los estimadores de proyección.We present a class of estimates for binomial regression models which are an extension of the projection estimates introduced by Maronna and Yohai (1983) for the linear model. Suppose that we observe (y, x), where x is a random vector of dimension p and the distribution of y given x is binomial Bi(1, θ) with probability θ and where θ = π(β00x) (1) for some β0 ∈ Rp. Consider now the following binomial regression model with only one parameter γ0. We observe (y, z, w), where the distribution of y conditional (z, w) is Bi(1, θ) and θ is of the form θ = π(γ0w + z). (2) Suppose that given a random sample of size of n of model (2) (y1, z1, w1), . . . , (yn, zn, wn), we have a highly robust estimate bγn((y1, z1, w1), . . . , (yn, zn, wn)) of γ0. We will use bγn to define an estimate of β0 in model (1) as follows. Consider a random sample (x1, y1), . . . , (xn, yn) of model (1), then the projection estimate bβn is defined by the argument that minimizes sup λ:kλk=1 |bγn((y1, z1(λ),w1(β)), . . . , (yn, zn(λ),wn(β)))|s(z1(λ), . . . , zn(λ)) where wi(β) = β0xi, zi(λ) = λ0xi, 1 ≤ i ≤ n, and where s is a robust scale estimate. The main achievements in this thesis are • The estimate bγn for model (2) with smallest gross error sensitivity in the class of M-estimates which are conditionally Fisher consistent. This estimate was used as initial estimate to define the projection estimates. • Upper bounds for the maximum bias of the projection estimates as a function of the maximum bias of the initial estimate bγn. • The order of consistency of the projection estimates, which is n−1/2. • An algorithm to compute the projection estimates. • A Monte Carlo study where several robust estimates for the logistic model are compared. This study shows that projection estimates compare favorably with other robust estimates.Fil: Bergesio, Andrea Claudia. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.Universidad de Buenos Aires. Facultad de Ciencias Exactas y NaturalesYohai, Víctor J.2006info:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_db06info:ar-repo/semantics/tesisDoctoralapplication/pdfhttps://hdl.handle.net/20.500.12110/tesis_n4044_Bergesiospainfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/arreponame:Biblioteca Digital (UBA-FCEN)instname:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesinstacron:UBA-FCEN2025-09-29T13:40:55Ztesis:tesis_n4044_BergesioInstitucionalhttps://digital.bl.fcen.uba.ar/Universidad públicaNo correspondehttps://digital.bl.fcen.uba.ar/cgi-bin/oaiserver.cgiana@bl.fcen.uba.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:18962025-09-29 13:40:56.591Biblioteca Digital (UBA-FCEN) - Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesfalse
dc.title.none.fl_str_mv Estimadores de proyección para modelos de regresión binomial
Projection estimates for binomial regression models
title Estimadores de proyección para modelos de regresión binomial
spellingShingle Estimadores de proyección para modelos de regresión binomial
Bergesio, Andrea Claudia
REGRESION LOGISTICA
ESTIMADORES ROBUSTOS
ESTIMADORES DE PROYECCION
MAXIMO SESGO
LOGISTIC REGRESSION
ROBUST ESTIMATES
PROJECTION ESTIMATES
MAXIMUM BIAS
title_short Estimadores de proyección para modelos de regresión binomial
title_full Estimadores de proyección para modelos de regresión binomial
title_fullStr Estimadores de proyección para modelos de regresión binomial
title_full_unstemmed Estimadores de proyección para modelos de regresión binomial
title_sort Estimadores de proyección para modelos de regresión binomial
dc.creator.none.fl_str_mv Bergesio, Andrea Claudia
author Bergesio, Andrea Claudia
author_facet Bergesio, Andrea Claudia
author_role author
dc.contributor.none.fl_str_mv Yohai, Víctor J.
dc.subject.none.fl_str_mv REGRESION LOGISTICA
ESTIMADORES ROBUSTOS
ESTIMADORES DE PROYECCION
MAXIMO SESGO
LOGISTIC REGRESSION
ROBUST ESTIMATES
PROJECTION ESTIMATES
MAXIMUM BIAS
topic REGRESION LOGISTICA
ESTIMADORES ROBUSTOS
ESTIMADORES DE PROYECCION
MAXIMO SESGO
LOGISTIC REGRESSION
ROBUST ESTIMATES
PROJECTION ESTIMATES
MAXIMUM BIAS
dc.description.none.fl_txt_mv Presentamos una clase de estimadores para modelos de regresión binomial que es una extensión de los estimadores de proyección definidos por Maronna y Yohai (1993) para el modelo lineal. Consideramos una variable dependiente y, que está relacionada con un vector x de dimensión p. Suponemos que la distribución de y dado x es binomial Bi(1, θ) con probabidad θ dependiendo de x a través de una función de enlace π θ = π(β00x) (1) para algún β0 ∈ Rp. Consideramos el siguiente modelo auxiliar con un solo parámetro γ0. Se observa (y, z, w), donde la distribución de y condicional a las variables z y w es Bi(1, θ) y θ es de la forma θ = π(γ0w + z). (2) Supongamos que dada una muestra aleatoria de tamaño n, (y1, z1, w1), . . . , (yn, zn, wn) para el modelo (2) se tiene un estimador altamente robusto bγn((y1, z1, w1), . . . , (yn, zn, wn)) de γ0. Este estimador bγn va a ser utilizado para definir estimadores para β0 en el modelo (1) de la siguiente manera. Consideramos una muestra aleatoria (x1, y1), . . . , (xn, yn) del modelo (1), luego el estimador de proyección bβn se define como el argumento que minimiza sup λ:kλk=1 |bγn((y1, z1(λ),w1(β)), . . . , (yn, zn(λ),wn(β)))|s(z1(λ), . . . , zn(λ)) donde wi(β) = β0xi, zi(λ) = λ0xi, 1 ≤ i ≤ n, y s es un estimador de escala robusto. Los principales resultados de la tesis son: • Se encontró el estimador bγn para el modelo (2) con menor sensibilidad a errores groseros en la clase de M-estimadores que son condicionalmente consistentes en el sentido de Fisher. Este estimador fue usado como estimador inicial para definir los estimadores de proyección. • Se obtuvieron cotas superiores para el máximo sesgo de los estimadores de proyección en función del máximo sesgo del estimador inicial bγn. • Se demostró que los estimadores de proyección tienen orden de convergencia n−1/2. • Se desarrolló un algoritmo que permite calcular los estimadores de proyección propuestos. • Se realizó un estudio de Monte Carlo, donde se comparan los estimadores de proyección con otros estimadores robustos. Este estudio muestra la superioridad en robustez de los estimadores de proyección.
We present a class of estimates for binomial regression models which are an extension of the projection estimates introduced by Maronna and Yohai (1983) for the linear model. Suppose that we observe (y, x), where x is a random vector of dimension p and the distribution of y given x is binomial Bi(1, θ) with probability θ and where θ = π(β00x) (1) for some β0 ∈ Rp. Consider now the following binomial regression model with only one parameter γ0. We observe (y, z, w), where the distribution of y conditional (z, w) is Bi(1, θ) and θ is of the form θ = π(γ0w + z). (2) Suppose that given a random sample of size of n of model (2) (y1, z1, w1), . . . , (yn, zn, wn), we have a highly robust estimate bγn((y1, z1, w1), . . . , (yn, zn, wn)) of γ0. We will use bγn to define an estimate of β0 in model (1) as follows. Consider a random sample (x1, y1), . . . , (xn, yn) of model (1), then the projection estimate bβn is defined by the argument that minimizes sup λ:kλk=1 |bγn((y1, z1(λ),w1(β)), . . . , (yn, zn(λ),wn(β)))|s(z1(λ), . . . , zn(λ)) where wi(β) = β0xi, zi(λ) = λ0xi, 1 ≤ i ≤ n, and where s is a robust scale estimate. The main achievements in this thesis are • The estimate bγn for model (2) with smallest gross error sensitivity in the class of M-estimates which are conditionally Fisher consistent. This estimate was used as initial estimate to define the projection estimates. • Upper bounds for the maximum bias of the projection estimates as a function of the maximum bias of the initial estimate bγn. • The order of consistency of the projection estimates, which is n−1/2. • An algorithm to compute the projection estimates. • A Monte Carlo study where several robust estimates for the logistic model are compared. This study shows that projection estimates compare favorably with other robust estimates.
Fil: Bergesio, Andrea Claudia. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.
description Presentamos una clase de estimadores para modelos de regresión binomial que es una extensión de los estimadores de proyección definidos por Maronna y Yohai (1993) para el modelo lineal. Consideramos una variable dependiente y, que está relacionada con un vector x de dimensión p. Suponemos que la distribución de y dado x es binomial Bi(1, θ) con probabidad θ dependiendo de x a través de una función de enlace π θ = π(β00x) (1) para algún β0 ∈ Rp. Consideramos el siguiente modelo auxiliar con un solo parámetro γ0. Se observa (y, z, w), donde la distribución de y condicional a las variables z y w es Bi(1, θ) y θ es de la forma θ = π(γ0w + z). (2) Supongamos que dada una muestra aleatoria de tamaño n, (y1, z1, w1), . . . , (yn, zn, wn) para el modelo (2) se tiene un estimador altamente robusto bγn((y1, z1, w1), . . . , (yn, zn, wn)) de γ0. Este estimador bγn va a ser utilizado para definir estimadores para β0 en el modelo (1) de la siguiente manera. Consideramos una muestra aleatoria (x1, y1), . . . , (xn, yn) del modelo (1), luego el estimador de proyección bβn se define como el argumento que minimiza sup λ:kλk=1 |bγn((y1, z1(λ),w1(β)), . . . , (yn, zn(λ),wn(β)))|s(z1(λ), . . . , zn(λ)) donde wi(β) = β0xi, zi(λ) = λ0xi, 1 ≤ i ≤ n, y s es un estimador de escala robusto. Los principales resultados de la tesis son: • Se encontró el estimador bγn para el modelo (2) con menor sensibilidad a errores groseros en la clase de M-estimadores que son condicionalmente consistentes en el sentido de Fisher. Este estimador fue usado como estimador inicial para definir los estimadores de proyección. • Se obtuvieron cotas superiores para el máximo sesgo de los estimadores de proyección en función del máximo sesgo del estimador inicial bγn. • Se demostró que los estimadores de proyección tienen orden de convergencia n−1/2. • Se desarrolló un algoritmo que permite calcular los estimadores de proyección propuestos. • Se realizó un estudio de Monte Carlo, donde se comparan los estimadores de proyección con otros estimadores robustos. Este estudio muestra la superioridad en robustez de los estimadores de proyección.
publishDate 2006
dc.date.none.fl_str_mv 2006
dc.type.none.fl_str_mv info:eu-repo/semantics/doctoralThesis
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_db06
info:ar-repo/semantics/tesisDoctoral
format doctoralThesis
status_str publishedVersion
dc.identifier.none.fl_str_mv https://hdl.handle.net/20.500.12110/tesis_n4044_Bergesio
url https://hdl.handle.net/20.500.12110/tesis_n4044_Bergesio
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc-sa/2.5/ar
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-sa/2.5/ar
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
publisher.none.fl_str_mv Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
dc.source.none.fl_str_mv reponame:Biblioteca Digital (UBA-FCEN)
instname:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
instacron:UBA-FCEN
reponame_str Biblioteca Digital (UBA-FCEN)
collection Biblioteca Digital (UBA-FCEN)
instname_str Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
instacron_str UBA-FCEN
institution UBA-FCEN
repository.name.fl_str_mv Biblioteca Digital (UBA-FCEN) - Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
repository.mail.fl_str_mv ana@bl.fcen.uba.ar
_version_ 1844618696670052352
score 13.070432