El algoritmo de Metropolis-Hastings: una aplicación de inferencia bayesiana para el sistema previsional argentino

Autores
Guardiola, Melina; Villarreal, Fernanda; Geri, Milva
Año de publicación
2025
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
El algoritmo de Metropolis-Hastings es un método de Monte Carlo basado en Cadenas de Markov (MCMC) que permite obtener muestras de distribuciones complejas, facilitando la inferencia bayesiana. Es una herramienta fundamental cuando las posteriores condicionales no tienen forma analítica. En este trabajo se presenta una aplicación del algoritmo de Metropolis-Hastings para especificar las distribuciones a posteriori de los parámetros del modelo de regresión logística bayesiana que modela los determinantes de la densidad contributiva del sistema previsional argentino. La implementación del método se realiza utilizando el software estadístico R y la fuente de datos que se utiliza proviene de la Muestra Longitudinal de Empleo Registrado (MLER) del Sistema Integrado Previsional Argentino (SIPA). Entre los resultados se destacan que todas las cadenas convergen y los coeficientes significativos tienen los signos esperados.
The Metropolis-Hastings algorithm is a Markov Chain Monte Carlo (MCMC) method that allows sampling from complex distributions, facilitating Bayesian inference. It is an essential tool when the conditional posteriors lack an analytical form. This work presents an application of the Metropolis-Hastings algorithm to specify the posterior distributions of the parameters in a Bayesian logistic regression model, which captures the determinants of contributory density in the Argentine pension system. The method is implemented using the R statistical software, and the data source used is the Longitudinal Sample of Registered Employment (MLER) from the Integrated Argentine Pension System (SIPA). Among the results, it is noteworthy that all chains converge, and the significant coefficients exhibit the expected signs.
Sociedad Argentina de Informática e Investigación Operativa
Materia
Ciencias Informáticas
algoritmo de metropolis-hastings
regresión logística bayesiana
sistema previsional argentino
metropolis-hastings algorithm
bayesian logistic regression
argentine pension system
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/190935
Acceder
id SEDICI_d50e282eb115128f75491e31ee1805a5
oai_identifier_str oai:sedici.unlp.edu.ar:10915/190935
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling El algoritmo de Metropolis-Hastings: una aplicación de inferencia bayesiana para el sistema previsional argentinoThe Metropolis-Hastings Algorithm: A Bayesian Inference Application for the Argentine Pension SystemGuardiola, MelinaVillarreal, FernandaGeri, MilvaCiencias Informáticasalgoritmo de metropolis-hastingsregresión logística bayesianasistema previsional argentinometropolis-hastings algorithmbayesian logistic regressionargentine pension systemEl algoritmo de Metropolis-Hastings es un método de Monte Carlo basado en Cadenas de Markov (MCMC) que permite obtener muestras de distribuciones complejas, facilitando la inferencia bayesiana. Es una herramienta fundamental cuando las posteriores condicionales no tienen forma analítica. En este trabajo se presenta una aplicación del algoritmo de Metropolis-Hastings para especificar las distribuciones a posteriori de los parámetros del modelo de regresión logística bayesiana que modela los determinantes de la densidad contributiva del sistema previsional argentino. La implementación del método se realiza utilizando el software estadístico R y la fuente de datos que se utiliza proviene de la Muestra Longitudinal de Empleo Registrado (MLER) del Sistema Integrado Previsional Argentino (SIPA). Entre los resultados se destacan que todas las cadenas convergen y los coeficientes significativos tienen los signos esperados.The Metropolis-Hastings algorithm is a Markov Chain Monte Carlo (MCMC) method that allows sampling from complex distributions, facilitating Bayesian inference. It is an essential tool when the conditional posteriors lack an analytical form. This work presents an application of the Metropolis-Hastings algorithm to specify the posterior distributions of the parameters in a Bayesian logistic regression model, which captures the determinants of contributory density in the Argentine pension system. The method is implemented using the R statistical software, and the data source used is the Longitudinal Sample of Registered Employment (MLER) from the Integrated Argentine Pension System (SIPA). Among the results, it is noteworthy that all chains converge, and the significant coefficients exhibit the expected signs.Sociedad Argentina de Informática e Investigación Operativa2025-08info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf301-305http://sedici.unlp.edu.ar/handle/10915/190935spainfo:eu-repo/semantics/altIdentifier/url/https://revistas.unlp.edu.ar/JAIIO/article/view/19502info:eu-repo/semantics/altIdentifier/issn/2451-7496info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2026-02-26T11:39:51Zoai:sedici.unlp.edu.ar:10915/190935Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292026-02-26 11:39:51.815SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv El algoritmo de Metropolis-Hastings: una aplicación de inferencia bayesiana para el sistema previsional argentino
The Metropolis-Hastings Algorithm: A Bayesian Inference Application for the Argentine Pension System
title El algoritmo de Metropolis-Hastings: una aplicación de inferencia bayesiana para el sistema previsional argentino
spellingShingle El algoritmo de Metropolis-Hastings: una aplicación de inferencia bayesiana para el sistema previsional argentino
Guardiola, Melina
Ciencias Informáticas
algoritmo de metropolis-hastings
regresión logística bayesiana
sistema previsional argentino
metropolis-hastings algorithm
bayesian logistic regression
argentine pension system
title_short El algoritmo de Metropolis-Hastings: una aplicación de inferencia bayesiana para el sistema previsional argentino
title_full El algoritmo de Metropolis-Hastings: una aplicación de inferencia bayesiana para el sistema previsional argentino
title_fullStr El algoritmo de Metropolis-Hastings: una aplicación de inferencia bayesiana para el sistema previsional argentino
title_full_unstemmed El algoritmo de Metropolis-Hastings: una aplicación de inferencia bayesiana para el sistema previsional argentino
title_sort El algoritmo de Metropolis-Hastings: una aplicación de inferencia bayesiana para el sistema previsional argentino
dc.creator.none.fl_str_mv Guardiola, Melina
Villarreal, Fernanda
Geri, Milva
author Guardiola, Melina
author_facet Guardiola, Melina
Villarreal, Fernanda
Geri, Milva
author_role author
author2 Villarreal, Fernanda
Geri, Milva
author2_role author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
algoritmo de metropolis-hastings
regresión logística bayesiana
sistema previsional argentino
metropolis-hastings algorithm
bayesian logistic regression
argentine pension system
topic Ciencias Informáticas
algoritmo de metropolis-hastings
regresión logística bayesiana
sistema previsional argentino
metropolis-hastings algorithm
bayesian logistic regression
argentine pension system
dc.description.none.fl_txt_mv El algoritmo de Metropolis-Hastings es un método de Monte Carlo basado en Cadenas de Markov (MCMC) que permite obtener muestras de distribuciones complejas, facilitando la inferencia bayesiana. Es una herramienta fundamental cuando las posteriores condicionales no tienen forma analítica. En este trabajo se presenta una aplicación del algoritmo de Metropolis-Hastings para especificar las distribuciones a posteriori de los parámetros del modelo de regresión logística bayesiana que modela los determinantes de la densidad contributiva del sistema previsional argentino. La implementación del método se realiza utilizando el software estadístico R y la fuente de datos que se utiliza proviene de la Muestra Longitudinal de Empleo Registrado (MLER) del Sistema Integrado Previsional Argentino (SIPA). Entre los resultados se destacan que todas las cadenas convergen y los coeficientes significativos tienen los signos esperados.
The Metropolis-Hastings algorithm is a Markov Chain Monte Carlo (MCMC) method that allows sampling from complex distributions, facilitating Bayesian inference. It is an essential tool when the conditional posteriors lack an analytical form. This work presents an application of the Metropolis-Hastings algorithm to specify the posterior distributions of the parameters in a Bayesian logistic regression model, which captures the determinants of contributory density in the Argentine pension system. The method is implemented using the R statistical software, and the data source used is the Longitudinal Sample of Registered Employment (MLER) from the Integrated Argentine Pension System (SIPA). Among the results, it is noteworthy that all chains converge, and the significant coefficients exhibit the expected signs.
Sociedad Argentina de Informática e Investigación Operativa
description El algoritmo de Metropolis-Hastings es un método de Monte Carlo basado en Cadenas de Markov (MCMC) que permite obtener muestras de distribuciones complejas, facilitando la inferencia bayesiana. Es una herramienta fundamental cuando las posteriores condicionales no tienen forma analítica. En este trabajo se presenta una aplicación del algoritmo de Metropolis-Hastings para especificar las distribuciones a posteriori de los parámetros del modelo de regresión logística bayesiana que modela los determinantes de la densidad contributiva del sistema previsional argentino. La implementación del método se realiza utilizando el software estadístico R y la fuente de datos que se utiliza proviene de la Muestra Longitudinal de Empleo Registrado (MLER) del Sistema Integrado Previsional Argentino (SIPA). Entre los resultados se destacan que todas las cadenas convergen y los coeficientes significativos tienen los signos esperados.
publishDate 2025
dc.date.none.fl_str_mv 2025-08
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/190935
url http://sedici.unlp.edu.ar/handle/10915/190935
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/https://revistas.unlp.edu.ar/JAIIO/article/view/19502
info:eu-repo/semantics/altIdentifier/issn/2451-7496
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
301-305
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1858282593902919680
score 13.176822

Publicaciones similares