Multicolinealidad y sobreajuste en modelos jerárquicos bayesianos para datos espaciales. Una aplicación al modelado de servicios ecosistémicos a escala de paisaje

Autores
Senn, Guillermina
Año de publicación
2021
Idioma
español castellano
Tipo de recurso
tesis de maestría
Estado
versión publicada
Colaborador/a o director/a de tesis
Balzarini, Monica
Macchiavelli, Raúl
Descripción
Fil: Senn, Guillermina. Universidad Nacional de Córdoba. Facultad de Ciencias Económicas; Argentina.
En esta tesis utilizamos modelos jerárquicos bayesianos con efectos aleatorios normales independientes e idénticamente distribuidos, iCAR y BYM2 para modelar una respuesta continua en función de covariables georreferenciadas regionalmente. La naturaleza multicolineal de las covariables y la flexibilidad que los modelos jerárquicos bayesianos pueden introducir a través del efecto aleatorio hicieron necesario preguntarnos qué procedimientos seguir para realizar un correcto modelado de la respuesta. En primer lugar realizamos un análisis de sensibilidad para elegir distribuciones a priori de la precisión del efecto aleatorio y del parámetro de mezcla del BYM2 que no fuercen el sobreajuste. En todos los casos utilizamos distribuciones a priori penalizadas por complejidad controladas por U y α. Los resultados mostraron que aumentos de U y α en la distribución a priori de la precisión se tradujeron en mayor variabilidad y escalas más finas del efecto aleatorio. Particularmente en el modelo BYM2 observamos que la escala del efecto aleatorio resultó muy sensible a pequeños cambios en las distribuciones a priori de la precisión, y que la distribución a priori de la precisión pareció tener más peso en la determinación de la complejidad del modelo que la distribución del parámetro de mezcla. En segundo lugar aplicamos técnicas de reducción de datos para eliminar la multicolinealidad. La técnica de reducción de multicolinealidad que produjo los modelos con menor error de predicción consistió en detectar clúster de variables colineales y resumirlos con su primera componente principal obtenida con PCA. Adicionalmente, los resultados mostraron que las estimaciones de los coeficientes de regresión de los modelos jerárquicos bayesianos entrenados con covariables multicolineales tuvieron intervalos de credibilidad más anchos y que sus medias a posteriori sufrieron cambios de magnitud y sentido, respecto a los coeficientes estimados luego de reducir la multicolinealidad en los datos, concordando con los resultados observados en la literatura para modelos de regresión ordinarios.
2022-11-25
Fil: Senn, Guillermina. Universidad Nacional de Córdoba. Facultad de Ciencias Económicas; Argentina.
Materia
Modelo de regresión jerárquico bayesiano
Multicolineal
Nivel de accesibilidad
acceso abierto
Condiciones de uso
Repositorio
Repositorio Digital Universitario (UNC)
Institución
Universidad Nacional de Córdoba
OAI Identificador
oai:rdu.unc.edu.ar:11086/28072

id RDUUNC_26902c8711a3440d7da611b758de195d
oai_identifier_str oai:rdu.unc.edu.ar:11086/28072
network_acronym_str RDUUNC
repository_id_str 2572
network_name_str Repositorio Digital Universitario (UNC)
spelling Multicolinealidad y sobreajuste en modelos jerárquicos bayesianos para datos espaciales. Una aplicación al modelado de servicios ecosistémicos a escala de paisajeSenn, GuillerminaModelo de regresión jerárquico bayesianoMulticolinealFil: Senn, Guillermina. Universidad Nacional de Córdoba. Facultad de Ciencias Económicas; Argentina.En esta tesis utilizamos modelos jerárquicos bayesianos con efectos aleatorios normales independientes e idénticamente distribuidos, iCAR y BYM2 para modelar una respuesta continua en función de covariables georreferenciadas regionalmente. La naturaleza multicolineal de las covariables y la flexibilidad que los modelos jerárquicos bayesianos pueden introducir a través del efecto aleatorio hicieron necesario preguntarnos qué procedimientos seguir para realizar un correcto modelado de la respuesta. En primer lugar realizamos un análisis de sensibilidad para elegir distribuciones a priori de la precisión del efecto aleatorio y del parámetro de mezcla del BYM2 que no fuercen el sobreajuste. En todos los casos utilizamos distribuciones a priori penalizadas por complejidad controladas por U y α. Los resultados mostraron que aumentos de U y α en la distribución a priori de la precisión se tradujeron en mayor variabilidad y escalas más finas del efecto aleatorio. Particularmente en el modelo BYM2 observamos que la escala del efecto aleatorio resultó muy sensible a pequeños cambios en las distribuciones a priori de la precisión, y que la distribución a priori de la precisión pareció tener más peso en la determinación de la complejidad del modelo que la distribución del parámetro de mezcla. En segundo lugar aplicamos técnicas de reducción de datos para eliminar la multicolinealidad. La técnica de reducción de multicolinealidad que produjo los modelos con menor error de predicción consistió en detectar clúster de variables colineales y resumirlos con su primera componente principal obtenida con PCA. Adicionalmente, los resultados mostraron que las estimaciones de los coeficientes de regresión de los modelos jerárquicos bayesianos entrenados con covariables multicolineales tuvieron intervalos de credibilidad más anchos y que sus medias a posteriori sufrieron cambios de magnitud y sentido, respecto a los coeficientes estimados luego de reducir la multicolinealidad en los datos, concordando con los resultados observados en la literatura para modelos de regresión ordinarios.2022-11-25Fil: Senn, Guillermina. Universidad Nacional de Córdoba. Facultad de Ciencias Económicas; Argentina.Balzarini, MonicaMacchiavelli, Raúl2021-10info:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_bdccinfo:ar-repo/semantics/tesisDeMaestriaapplication/pdfhttp://hdl.handle.net/11086/28072spainfo:eu-repo/semantics/openAccessreponame:Repositorio Digital Universitario (UNC)instname:Universidad Nacional de Córdobainstacron:UNC2025-09-04T12:33:54Zoai:rdu.unc.edu.ar:11086/28072Institucionalhttps://rdu.unc.edu.ar/Universidad públicaNo correspondehttp://rdu.unc.edu.ar/oai/snrdoca.unc@gmail.comArgentinaNo correspondeNo correspondeNo correspondeopendoar:25722025-09-04 12:33:54.468Repositorio Digital Universitario (UNC) - Universidad Nacional de Córdobafalse
dc.title.none.fl_str_mv Multicolinealidad y sobreajuste en modelos jerárquicos bayesianos para datos espaciales. Una aplicación al modelado de servicios ecosistémicos a escala de paisaje
title Multicolinealidad y sobreajuste en modelos jerárquicos bayesianos para datos espaciales. Una aplicación al modelado de servicios ecosistémicos a escala de paisaje
spellingShingle Multicolinealidad y sobreajuste en modelos jerárquicos bayesianos para datos espaciales. Una aplicación al modelado de servicios ecosistémicos a escala de paisaje
Senn, Guillermina
Modelo de regresión jerárquico bayesiano
Multicolineal
title_short Multicolinealidad y sobreajuste en modelos jerárquicos bayesianos para datos espaciales. Una aplicación al modelado de servicios ecosistémicos a escala de paisaje
title_full Multicolinealidad y sobreajuste en modelos jerárquicos bayesianos para datos espaciales. Una aplicación al modelado de servicios ecosistémicos a escala de paisaje
title_fullStr Multicolinealidad y sobreajuste en modelos jerárquicos bayesianos para datos espaciales. Una aplicación al modelado de servicios ecosistémicos a escala de paisaje
title_full_unstemmed Multicolinealidad y sobreajuste en modelos jerárquicos bayesianos para datos espaciales. Una aplicación al modelado de servicios ecosistémicos a escala de paisaje
title_sort Multicolinealidad y sobreajuste en modelos jerárquicos bayesianos para datos espaciales. Una aplicación al modelado de servicios ecosistémicos a escala de paisaje
dc.creator.none.fl_str_mv Senn, Guillermina
author Senn, Guillermina
author_facet Senn, Guillermina
author_role author
dc.contributor.none.fl_str_mv Balzarini, Monica
Macchiavelli, Raúl
dc.subject.none.fl_str_mv Modelo de regresión jerárquico bayesiano
Multicolineal
topic Modelo de regresión jerárquico bayesiano
Multicolineal
dc.description.none.fl_txt_mv Fil: Senn, Guillermina. Universidad Nacional de Córdoba. Facultad de Ciencias Económicas; Argentina.
En esta tesis utilizamos modelos jerárquicos bayesianos con efectos aleatorios normales independientes e idénticamente distribuidos, iCAR y BYM2 para modelar una respuesta continua en función de covariables georreferenciadas regionalmente. La naturaleza multicolineal de las covariables y la flexibilidad que los modelos jerárquicos bayesianos pueden introducir a través del efecto aleatorio hicieron necesario preguntarnos qué procedimientos seguir para realizar un correcto modelado de la respuesta. En primer lugar realizamos un análisis de sensibilidad para elegir distribuciones a priori de la precisión del efecto aleatorio y del parámetro de mezcla del BYM2 que no fuercen el sobreajuste. En todos los casos utilizamos distribuciones a priori penalizadas por complejidad controladas por U y α. Los resultados mostraron que aumentos de U y α en la distribución a priori de la precisión se tradujeron en mayor variabilidad y escalas más finas del efecto aleatorio. Particularmente en el modelo BYM2 observamos que la escala del efecto aleatorio resultó muy sensible a pequeños cambios en las distribuciones a priori de la precisión, y que la distribución a priori de la precisión pareció tener más peso en la determinación de la complejidad del modelo que la distribución del parámetro de mezcla. En segundo lugar aplicamos técnicas de reducción de datos para eliminar la multicolinealidad. La técnica de reducción de multicolinealidad que produjo los modelos con menor error de predicción consistió en detectar clúster de variables colineales y resumirlos con su primera componente principal obtenida con PCA. Adicionalmente, los resultados mostraron que las estimaciones de los coeficientes de regresión de los modelos jerárquicos bayesianos entrenados con covariables multicolineales tuvieron intervalos de credibilidad más anchos y que sus medias a posteriori sufrieron cambios de magnitud y sentido, respecto a los coeficientes estimados luego de reducir la multicolinealidad en los datos, concordando con los resultados observados en la literatura para modelos de regresión ordinarios.
2022-11-25
Fil: Senn, Guillermina. Universidad Nacional de Córdoba. Facultad de Ciencias Económicas; Argentina.
description Fil: Senn, Guillermina. Universidad Nacional de Córdoba. Facultad de Ciencias Económicas; Argentina.
publishDate 2021
dc.date.none.fl_str_mv 2021-10
dc.type.none.fl_str_mv info:eu-repo/semantics/masterThesis
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_bdcc
info:ar-repo/semantics/tesisDeMaestria
format masterThesis
status_str publishedVersion
dc.identifier.none.fl_str_mv http://hdl.handle.net/11086/28072
url http://hdl.handle.net/11086/28072
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositorio Digital Universitario (UNC)
instname:Universidad Nacional de Córdoba
instacron:UNC
reponame_str Repositorio Digital Universitario (UNC)
collection Repositorio Digital Universitario (UNC)
instname_str Universidad Nacional de Córdoba
instacron_str UNC
institution UNC
repository.name.fl_str_mv Repositorio Digital Universitario (UNC) - Universidad Nacional de Córdoba
repository.mail.fl_str_mv oca.unc@gmail.com
_version_ 1842349669231886336
score 13.13397