Bogotá - Ciencias - Doctorado en Ciencias - Matemáticas · 2021
Procesos de conteo, sobredispersión y extensiones
Se presenta una revisión detallada de modelos sobredispersos de regresión lineal y no lineal para datos de conteo, desde un enfoque Bayesiano. Se propone la función de distribución beta inclinada binomial, se estudian sus propiedades y se proponen los modelos de regresión lineal, donde se asignan estructuras de regresión a la media, parámetro de dispersión y parámetro de mixtura. Adicionalmente, se presentan las reparametrizaciones de las distribuciones beta binomial y binomial negativa, en términos de la media, y se establecen los modelos de regresión Bayesiana, proponiendo nuevas variables de trabajo para el parámetro de dispersión, que reducen la autocorrelación y mejoran la convergencia de las cadenas. Se define una extensión a modelos de regresión no lineal y se propone el algoritmo Bayesiano para este caso. Se definen nuevos modelos de regresión no lineal con exceso de ceros y se extiende la metodología Bayesiana propuesta en [21] para estos modelos: se desarrolla el algoritmo de Metropolis-Hastings y se proponen las variables de trabajo requeridas, a partir del método de aumento de datos de [74]. Se proponen modelos subdispersos no lineales doblemente generalizados para datos de conteo que presentan subdispersión con respecto a las distribuciones Poisson o binomial, y se definen funciones de cuasi-verosimilitud adecuadas, a partir del enfoque de [106], para el ajuste de los modelos Bayesianos. Finalmente, se proponen nuevos procesos de Poisson no homogéneos cíclicos y se definen modelos autoregresivos no lineales doblemente generalizados para series de conteo, basados en distribuciones de conteo subdispersas y se aplica el paradigma Bayesiano para la estimación. (Texto tomado de la fuente).
Texto completo 166 páginas con texto
Leer la tesis completa Ficha en el repositorio
Contenido
- 4.4. Cuasi-verosimilitud para modelos subdispersos de regresión no lineal de conteop. 115
- 4.4.1. Cuasi-verosimilitud para la distribución subdispersa binomialp. 115
- 4.4.2. Cuasi-verosimilitud para la distribución Poisson-Tweedie extendidap. 116
- 4.5. Simulacionesp. 119
- 4.5.1. Datos subdispersos con respecto a la distribución binomialp. 119
- 4.5.2. Datos subdispersos con respecto a la distribución Poissonp. 122
- 5.1. Introducciónp. 13
- 5.2. Procesos de Poisson no homogéneos (NHPP)p. 127
- 5.2.1. Antecedentesp. 127
- 5.2.2. Nuevos procesos de Poisson no homogéneosp. 129
- 5.2.3. Aplicación en datos de ocupación hospitalariap. 132
- 5.3. Modelos de regresión no lineal para series temporales de conteop. 136
- 5.3.1. Modelos de regresión no lineal doblemente generalizados para series temporalesp. 136
- 5.3.2. Antecedentes de modelos autorregresivos de conteop. 140
- de conteop. 115
- de conteop. 115
- A.1. Aplicación del algoritmo Fisher Scoring al modelo de regresión lineal beta-binomialp. 149
- A.2. Aproximación de la función deviance para la distribución Poisson-Tweedie extendidap. 151
- Estimaciones a posteriori del modelo binomial subdispersop. 121
- Estimaciones a posteriori del modelo Poisson Tweedie extendidop. 123
- talizaciónp. 134
- Raíz del Error Cuadrático Medio para los Modelos Revisadosp. 135
- Estimaciones a posteriori de las simulaciones del modelo PT-INGARCHp. 145
- 4.5.1. Datos Simulados vs Distribución Binomialp. 120
- 4.5.2. Diagnóstico de Gewekep. 121
- 4.5.3. Datos Simulados vs Distribución Poissonp. 123
- 4.5.4. Diagnóstico de Gewekep. 124
- 5.2.1. Funciones del valor de la media y de intensidad del nuevo procesop. 130
- 5.2.2. Sensibilidades sobre la función de media m(t) MOP+GOP cíclicop. 131
- 5.2.3. Sensibilidades sobre la función de media m(t) del proceso MOP+PLP cíclicop. 132
- 5.2.4. Número de días acumulados con sobre hospitalizaciónp. 133
- 5.2.5. Funciones de media de NHPP ajustados a los datos de Riberão Pretop. 135
- 5.3.1. Series simuladas para el modelo PT-INGARCHp. 144
- 5.3.2. Diagnśtico de Gewekep. 145