Buscar en Google Scholar
Título: Modelo de regresión lineal con censura basado en una mixtura finita de una distribución normal asimétrica
Asesor(es): Benites Sánchez, Luis Enrique
Campo OCDE: https://purl.org/pe-repo/ocde/ford#1.01.03
Fecha de publicación: 29-may-2023
Institución: Pontificia Universidad Católica del Perú
Resumen: El presente trabajo de tesis propone estudiar el modelo de regresión lineal con censura basado en una mixtura finita de una distribución normal asimétrica (NA), con adaptación a diferente número de componentes. Este enfoque permite modelar datos continuos con gran flexibilidad, acomodando simultáneamente multimodalidad, colas pesadas y asimetría, dependiendo de la estructura de los componentes de la mixtura. Se implementa un algoritmo de tipo EM analíticamente manejable y eficiente para calcular iterativamente las estimaciones de máxima verosimilitud de los parámetros, mediante aproximaciones estocásticas (SAEM). El algoritmo propuesto tiene algunas expresiones cerradas en el paso-E, por lo que la obtención de los errores estándar se da por el método Bootstrap. Asimismo, se realiza un estudio de simulación con el fin de evaluar si el método propuesto permite recuperar los parámetros del modelo mediante el uso del algoritmo SAEM. Por otro lado, se realiza la aplicación del modelo propuesto para el estudio de la participación en la fuerza laboral de las mujeres casadas usando la base de datos de la Universidad de Michigan (Mroz, 1987). Como segunda aplicación se utiliza un conjunto de datos de clientes que entraron en campaña en una entidad financiera local con el fin de estimar sus ingresos.
Disciplina académico-profesional: Estadística
Institución que otorga el grado o título: Pontificia Universidad Católica del Perú. Escuela de Posgrado.
Grado o título: Maestro en Estadística
Jurado: Benites Sánchez, Luis Enrique; Bayes Rodriguez, Cristian Luis; Valdivieso Serrano, Luis Hilmar
Fecha de registro: 29-may-2023; 29-may-2023



Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons