Indices socio-económicos desde el enfoque de reducción suficiente de dimensiones

Autores
García Arancibia, Rodrigo
Año de publicación
2016
Idioma
español castellano
Tipo de recurso
tesis doctoral
Estado
versión publicada
Colaborador/a o director/a de tesis
Forzani, Liliana
Tomassi, Diego
Descripción
Los métodos de reducción de dimensiones son utilizados en una gran variedad de aplicaciones en ciencias sociales, biológicas y de la salud. En particular, para la construcción de índices de estatus socio-económico con el fin de clasificar a individuos u hogares y predecir algún fenómeno social de interés resumido en una variable respuesta. En la práctica, los datos contienen una mezcla de variables de diferente naturaleza, como ser continuas, categóricas ordinales y dicotómicas. Por ello, algunos métodos usuales de reducción, sea componentes principales o selección de variables en modelos de regresión, han sido extendidos para contemplar otro tipo de variables además de las continuas. En esta tesis nos proponemos extender el enfoque de Reducción Suficiente de Dimensiones basado en modelos, a problemas de regresión en los que coexisten predictores continuos, ordinales y binarios. Adoptando el enfoque de regresión inversa, en primer lugar abordamos el problema de reducción suficiente de dimensiones para una regresión que involucra sólo predictores categóricos ordinales y una variable respuesta de cualquier naturaleza. Suponiendo la existencia de variables latentes subyacentes a las ordinales, distribuidas normalmente, identificamos una reducción suficiente para la regresión, sin imponer ningún supuesto sobre la distribución condicional de la variable respuesta. Para esta reducción suficiente, proponemos un estimador de máxima verosimilitud, utilizando un algoritmo iterativo tipo EM para hacer factible la estimación en términos computacionales y prácticos. Luego extendemos la metodología para problemas de regresión con predictores continuos, ordinales y dicotómicos. Para ello proponemos una determinada factorización de la densidad conjunta condicionada de los predictores. A partir de dicha factorización, usando un enfoque de variables latentes para los predictores ordinales, un modelo normal para el subconjunto de variables continuas, y un modelo Bernoulli tipo Ising para el subconjunto de variables dicotómicas, identificamos una reducción suficiente. Asimismo obtenemos estimadores de máxima verosimilitud con un método iterativo que combina al procedimiento EM con modelos tipo logit condicionales. Para los métodos propuestos se presentan las correspondiente versiones regularizadas, para realizar conjuntamente selección de variables y reducción de dimensiones. El desempeño de los métodos propuestos se muestran por medio de una serie de simulaciones y de aplicaciones con datos reales para la construcción de índices de estatus socio-económico con fines predictivos. Los resultados son comparados con los arrojados por otros métodos alternativos de reducción de dimensiones, obteniendo conclusiones a favor del uso del enfoque propuesto de reducción suficiente para variables mixtas.
Fil: García Arancibia, Rodrigo. Universidad Nacional de Rosario. Facultad de Ciencias Económicas y Estadística. Secretaría de Posgrado y Formación Continua; Argentina
Materia
Subespacio de Reducción Suficiente
Variables Latentes
Familias Exponenciales
Algoritmo EM
PFC
Modelo Ising
Índices SES
Nivel de accesibilidad
acceso abierto
Condiciones de uso
Atribución-No Comercial-Compartir Igual (cc by-nc-sa)
Repositorio
RepHipUNR (UNR)
Institución
Universidad Nacional de Rosario
OAI Identificador
oai:rephip.unr.edu.ar:2133/11308

id RepHipUNR_4d749bbfe92fa479e37f9fa62e715607
oai_identifier_str oai:rephip.unr.edu.ar:2133/11308
network_acronym_str RepHipUNR
repository_id_str 1550
network_name_str RepHipUNR (UNR)
spelling Indices socio-económicos desde el enfoque de reducción suficiente de dimensionesGarcía Arancibia, RodrigoSubespacio de Reducción SuficienteVariables LatentesFamilias ExponencialesAlgoritmo EMPFCModelo IsingÍndices SESLos métodos de reducción de dimensiones son utilizados en una gran variedad de aplicaciones en ciencias sociales, biológicas y de la salud. En particular, para la construcción de índices de estatus socio-económico con el fin de clasificar a individuos u hogares y predecir algún fenómeno social de interés resumido en una variable respuesta. En la práctica, los datos contienen una mezcla de variables de diferente naturaleza, como ser continuas, categóricas ordinales y dicotómicas. Por ello, algunos métodos usuales de reducción, sea componentes principales o selección de variables en modelos de regresión, han sido extendidos para contemplar otro tipo de variables además de las continuas. En esta tesis nos proponemos extender el enfoque de Reducción Suficiente de Dimensiones basado en modelos, a problemas de regresión en los que coexisten predictores continuos, ordinales y binarios. Adoptando el enfoque de regresión inversa, en primer lugar abordamos el problema de reducción suficiente de dimensiones para una regresión que involucra sólo predictores categóricos ordinales y una variable respuesta de cualquier naturaleza. Suponiendo la existencia de variables latentes subyacentes a las ordinales, distribuidas normalmente, identificamos una reducción suficiente para la regresión, sin imponer ningún supuesto sobre la distribución condicional de la variable respuesta. Para esta reducción suficiente, proponemos un estimador de máxima verosimilitud, utilizando un algoritmo iterativo tipo EM para hacer factible la estimación en términos computacionales y prácticos. Luego extendemos la metodología para problemas de regresión con predictores continuos, ordinales y dicotómicos. Para ello proponemos una determinada factorización de la densidad conjunta condicionada de los predictores. A partir de dicha factorización, usando un enfoque de variables latentes para los predictores ordinales, un modelo normal para el subconjunto de variables continuas, y un modelo Bernoulli tipo Ising para el subconjunto de variables dicotómicas, identificamos una reducción suficiente. Asimismo obtenemos estimadores de máxima verosimilitud con un método iterativo que combina al procedimiento EM con modelos tipo logit condicionales. Para los métodos propuestos se presentan las correspondiente versiones regularizadas, para realizar conjuntamente selección de variables y reducción de dimensiones. El desempeño de los métodos propuestos se muestran por medio de una serie de simulaciones y de aplicaciones con datos reales para la construcción de índices de estatus socio-económico con fines predictivos. Los resultados son comparados con los arrojados por otros métodos alternativos de reducción de dimensiones, obteniendo conclusiones a favor del uso del enfoque propuesto de reducción suficiente para variables mixtas.Fil: García Arancibia, Rodrigo. Universidad Nacional de Rosario. Facultad de Ciencias Económicas y Estadística. Secretaría de Posgrado y Formación Continua; ArgentinaUniversidad Nacional de RosarioForzani, LilianaTomassi, Diego2016-12-02info:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_db06info:ar-repo/semantics/tesisDoctoralapplication/pdfhttp://hdl.handle.net/2133/11308spainfo:eu-repo/semantics/openAccessAtribución-No Comercial-Compartir Igual (cc by-nc-sa)http://creativecommons.org/licenses/by-nc-sa/2.5/ar/Licencia RepHipreponame:RepHipUNR (UNR)instname:Universidad Nacional de Rosario2025-09-29T13:41:04Zoai:rephip.unr.edu.ar:2133/11308instacron:UNRInstitucionalhttps://rephip.unr.edu.ar/Universidad públicaNo correspondehttps://rephip.unr.edu.ar/oai/requestrephip@unr.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:15502025-09-29 13:41:04.65RepHipUNR (UNR) - Universidad Nacional de Rosariofalse
dc.title.none.fl_str_mv Indices socio-económicos desde el enfoque de reducción suficiente de dimensiones
title Indices socio-económicos desde el enfoque de reducción suficiente de dimensiones
spellingShingle Indices socio-económicos desde el enfoque de reducción suficiente de dimensiones
García Arancibia, Rodrigo
Subespacio de Reducción Suficiente
Variables Latentes
Familias Exponenciales
Algoritmo EM
PFC
Modelo Ising
Índices SES
title_short Indices socio-económicos desde el enfoque de reducción suficiente de dimensiones
title_full Indices socio-económicos desde el enfoque de reducción suficiente de dimensiones
title_fullStr Indices socio-económicos desde el enfoque de reducción suficiente de dimensiones
title_full_unstemmed Indices socio-económicos desde el enfoque de reducción suficiente de dimensiones
title_sort Indices socio-económicos desde el enfoque de reducción suficiente de dimensiones
dc.creator.none.fl_str_mv García Arancibia, Rodrigo
author García Arancibia, Rodrigo
author_facet García Arancibia, Rodrigo
author_role author
dc.contributor.none.fl_str_mv Forzani, Liliana
Tomassi, Diego
dc.subject.none.fl_str_mv Subespacio de Reducción Suficiente
Variables Latentes
Familias Exponenciales
Algoritmo EM
PFC
Modelo Ising
Índices SES
topic Subespacio de Reducción Suficiente
Variables Latentes
Familias Exponenciales
Algoritmo EM
PFC
Modelo Ising
Índices SES
dc.description.none.fl_txt_mv Los métodos de reducción de dimensiones son utilizados en una gran variedad de aplicaciones en ciencias sociales, biológicas y de la salud. En particular, para la construcción de índices de estatus socio-económico con el fin de clasificar a individuos u hogares y predecir algún fenómeno social de interés resumido en una variable respuesta. En la práctica, los datos contienen una mezcla de variables de diferente naturaleza, como ser continuas, categóricas ordinales y dicotómicas. Por ello, algunos métodos usuales de reducción, sea componentes principales o selección de variables en modelos de regresión, han sido extendidos para contemplar otro tipo de variables además de las continuas. En esta tesis nos proponemos extender el enfoque de Reducción Suficiente de Dimensiones basado en modelos, a problemas de regresión en los que coexisten predictores continuos, ordinales y binarios. Adoptando el enfoque de regresión inversa, en primer lugar abordamos el problema de reducción suficiente de dimensiones para una regresión que involucra sólo predictores categóricos ordinales y una variable respuesta de cualquier naturaleza. Suponiendo la existencia de variables latentes subyacentes a las ordinales, distribuidas normalmente, identificamos una reducción suficiente para la regresión, sin imponer ningún supuesto sobre la distribución condicional de la variable respuesta. Para esta reducción suficiente, proponemos un estimador de máxima verosimilitud, utilizando un algoritmo iterativo tipo EM para hacer factible la estimación en términos computacionales y prácticos. Luego extendemos la metodología para problemas de regresión con predictores continuos, ordinales y dicotómicos. Para ello proponemos una determinada factorización de la densidad conjunta condicionada de los predictores. A partir de dicha factorización, usando un enfoque de variables latentes para los predictores ordinales, un modelo normal para el subconjunto de variables continuas, y un modelo Bernoulli tipo Ising para el subconjunto de variables dicotómicas, identificamos una reducción suficiente. Asimismo obtenemos estimadores de máxima verosimilitud con un método iterativo que combina al procedimiento EM con modelos tipo logit condicionales. Para los métodos propuestos se presentan las correspondiente versiones regularizadas, para realizar conjuntamente selección de variables y reducción de dimensiones. El desempeño de los métodos propuestos se muestran por medio de una serie de simulaciones y de aplicaciones con datos reales para la construcción de índices de estatus socio-económico con fines predictivos. Los resultados son comparados con los arrojados por otros métodos alternativos de reducción de dimensiones, obteniendo conclusiones a favor del uso del enfoque propuesto de reducción suficiente para variables mixtas.
Fil: García Arancibia, Rodrigo. Universidad Nacional de Rosario. Facultad de Ciencias Económicas y Estadística. Secretaría de Posgrado y Formación Continua; Argentina
description Los métodos de reducción de dimensiones son utilizados en una gran variedad de aplicaciones en ciencias sociales, biológicas y de la salud. En particular, para la construcción de índices de estatus socio-económico con el fin de clasificar a individuos u hogares y predecir algún fenómeno social de interés resumido en una variable respuesta. En la práctica, los datos contienen una mezcla de variables de diferente naturaleza, como ser continuas, categóricas ordinales y dicotómicas. Por ello, algunos métodos usuales de reducción, sea componentes principales o selección de variables en modelos de regresión, han sido extendidos para contemplar otro tipo de variables además de las continuas. En esta tesis nos proponemos extender el enfoque de Reducción Suficiente de Dimensiones basado en modelos, a problemas de regresión en los que coexisten predictores continuos, ordinales y binarios. Adoptando el enfoque de regresión inversa, en primer lugar abordamos el problema de reducción suficiente de dimensiones para una regresión que involucra sólo predictores categóricos ordinales y una variable respuesta de cualquier naturaleza. Suponiendo la existencia de variables latentes subyacentes a las ordinales, distribuidas normalmente, identificamos una reducción suficiente para la regresión, sin imponer ningún supuesto sobre la distribución condicional de la variable respuesta. Para esta reducción suficiente, proponemos un estimador de máxima verosimilitud, utilizando un algoritmo iterativo tipo EM para hacer factible la estimación en términos computacionales y prácticos. Luego extendemos la metodología para problemas de regresión con predictores continuos, ordinales y dicotómicos. Para ello proponemos una determinada factorización de la densidad conjunta condicionada de los predictores. A partir de dicha factorización, usando un enfoque de variables latentes para los predictores ordinales, un modelo normal para el subconjunto de variables continuas, y un modelo Bernoulli tipo Ising para el subconjunto de variables dicotómicas, identificamos una reducción suficiente. Asimismo obtenemos estimadores de máxima verosimilitud con un método iterativo que combina al procedimiento EM con modelos tipo logit condicionales. Para los métodos propuestos se presentan las correspondiente versiones regularizadas, para realizar conjuntamente selección de variables y reducción de dimensiones. El desempeño de los métodos propuestos se muestran por medio de una serie de simulaciones y de aplicaciones con datos reales para la construcción de índices de estatus socio-económico con fines predictivos. Los resultados son comparados con los arrojados por otros métodos alternativos de reducción de dimensiones, obteniendo conclusiones a favor del uso del enfoque propuesto de reducción suficiente para variables mixtas.
publishDate 2016
dc.date.none.fl_str_mv 2016-12-02
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 http://hdl.handle.net/2133/11308
url http://hdl.handle.net/2133/11308
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
Atribución-No Comercial-Compartir Igual (cc by-nc-sa)
http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Licencia RepHip
eu_rights_str_mv openAccess
rights_invalid_str_mv Atribución-No Comercial-Compartir Igual (cc by-nc-sa)
http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Licencia RepHip
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad Nacional de Rosario
publisher.none.fl_str_mv Universidad Nacional de Rosario
dc.source.none.fl_str_mv reponame:RepHipUNR (UNR)
instname:Universidad Nacional de Rosario
reponame_str RepHipUNR (UNR)
collection RepHipUNR (UNR)
instname_str Universidad Nacional de Rosario
repository.name.fl_str_mv RepHipUNR (UNR) - Universidad Nacional de Rosario
repository.mail.fl_str_mv rephip@unr.edu.ar
_version_ 1844618778987462656
score 13.070432