Changes between Version 2 and Version 3 of TolDocEstimacionEstrategias

Timestamp:

Jun 10, 2011, 11:48:53 AM (14 years ago)

Author:

Víctor de Buen Remiro

Comment:

--

TolDocEstimacionEstrategias

@@ -5 +5 @@
  * '''Optimización''': Todos los métodos son en realidad aproximaciones, normalmente iterativas, pues los métodos exactos (simbólicos) sólo sirven para casos de juguete. Clasificaremos estos métodos según varios criterios
   * Por el ''tipo de restricciones'' que admite el método:
-   * FO (''Free Optimization''): No se admite ningún tipo de restricciones. Son los algoritmos más básicos como el de Newton o el de Marquardt. 
-   * BO (''Bounded Optimization''): Sólo se admiten restricciones de dominio [[LatexEquation( l_i \le \alpha_i \le u_i )]].
-   * LICO (''Linear Inequality Constrained Optimization''): Se admiten restricciones de desigualdad lineal.
-   * AICO (''Arbitrary Inequality Constrained Optimization''): Se admiten restricciones de desigualdad lineal y no lineal.
-   * LECO (''Linear Equality Constrained Optimization''): Se admiten restricciones de igualdad lineal.
-   * AECO (''Arbitrary Equality Constrained Optimization''): Se admiten restricciones de igualdad lineal y no lineal.
+   * FO ('''Free Optimization''): No se admite ningún tipo de restricciones. Son los algoritmos más básicos como el de Newton o el de Marquardt. 
+   * BO (''Bounded Optimization'''): Sólo se admiten restricciones de dominio [[LatexEquation( l_i \le \alpha_i \le u_i )]].
+   * LICO ('''Linear Inequality Constrained Optimization'''): Se admiten restricciones de desigualdad lineal.
+   * AICO ('''Arbitrary Inequality Constrained Optimization'''): Se admiten restricciones de desigualdad lineal y no lineal.
+   * LECO ('''Linear Equality Constrained Optimization'''): Se admiten restricciones de igualdad lineal.
+   * AECO ('''Arbitrary Equality Constrained Optimization'''): Se admiten restricciones de igualdad lineal y no lineal.
   * Clasificación por la ''función objetivo'' a optimizar: Para un mismo modelo se pueden construir muchas funciones de medición de su calidad. La medida más adecuada desde el punto de vista estadístico es la verosimilitud, aunque hay quienes prefieren optimizar directamente la función de decisión para la que se desea construir el modelo. Aquí nos restringiremos a la verosimilitud, pero no siempre es sencillo ni eficiente calcular esa función:
    * AML ('''Aproximated Maximum Likelihood'''): Optimización, normalmente por mínimos cuadrados, de una función que aproxima, mejor o peor, la verosimilitud, sin tener una idea clara de cuantificar el error de la aproximación. Es el caso de Estimate y de la mayoría de estimadores de modelos no lineales más o menos complejos, que se dicen máximo-verosímiles pero que en realidad optimizan algo que se intenta parecer lo más posible a la verosimilitud, muchas veces con poco éxito. Estimate se aproxima bastante bien en la mayoría de los casos, tanto que no es descabellado encasillarlo en el siguiente apartado.