close
Warning:
Can't synchronize with repository "(default)" (/var/svn/tolp does not appear to be a Subversion repository.). Look in the Trac log for more information.
- Timestamp:
-
Jun 2, 2011, 2:27:51 PM (15 years ago)
- Author:
-
Víctor de Buen Remiro
- Comment:
-
--
Legend:
- Unmodified
- Added
- Removed
- Modified
-
|
v1
|
v1
|
|
| | 1 | = Plan de Integración de Sistemas de Estimación = |
| | 2 | |
| | 3 | Las clases de modelos a los que nos enfrentamos van creciendo en volumen y complejidad a cada día |
| | 4 | que pasa y es necesario diseñar un plan de desarrollo que afronte los problemas que esto conlleva |
| | 5 | a medio y largo plazo. |
| | 6 | |
| | 7 | El simulador bayesiano BSR supone un gran avance sobre toda la tecnología anterior pero parte de |
| | 8 | una estructura básica de la clase de modelos que no es posible saltarse: debe haber un bloque lineal |
| | 9 | principal de regresión con residuos normales. |
| | 10 | |
| | 11 | Ciertamente en una gran parte, por no decir en la gran mayoría de los casos, la hipótesis de normalidad |
| | 12 | es perfectamente asumible, pero cada vez nos encontramos con más casos en los que no es así, |
| | 13 | particularmente cuando el output es booleano, pero también cuando es discreto con valores no muy altos, |
| | 14 | y las transformaciones de Box-Cox no son una aproximación razonable. |
| | 15 | |
| | 16 | En este sentido, la forma ás natural de extensión de la clase de modelos es partir de la |
| | 17 | [http://en.wikipedia.org/wiki/Generalized_linear_model regresión lineal generalizada] como base sobre |
| | 18 | la que añadir el resto de características que se precisan para la modelación de problemas reales. |
| | 19 | |
| | 20 | Lo primero que habría que hacer sería enumerar y describir todas esas características para poder atisbar |
| | 21 | la clase general de modelos que queremos ser capaces de estimar: |
| | 22 | |
| | 23 | * Distribución de los residuos |
| | 24 | * caso normal |
| | 25 | * caso generalizado ([http://en.wikipedia.org/wiki/Generalized_linear_model#Probability_distribution overdispersed exponential family]) |
| | 26 | * regresión cualitativa |
| | 27 | * regresión booleana |
| | 28 | * logit |
| | 29 | * probit |
| | 30 | * binomial |
| | 31 | * etc. |
| | 32 | * regresión multinomial |
| | 33 | * regresión discreta |
| | 34 | * regresión de Poisson |
| | 35 | * regresión geométrica |
| | 36 | * etc. |
| | 37 | * Covarianza del ruido |
| | 38 | * Fija: |
| | 39 | * Regresión ponderada |
| | 40 | * ARIMA: |
| | 41 | * Caso normal |
| | 42 | * Caso generalizado |
| | 43 | * Mixta |
| | 44 | * Inclusión de restricciones |
| | 45 | * de igualdad |
| | 46 | * lineal |
| | 47 | * no lineal |
| | 48 | * de desigualdad |
| | 49 | * lineal |
| | 50 | * no lineal |
| | 51 | * Tratamiento de omitidos |
| | 52 | * Caso normal |
| | 53 | * Caso generalizado |
| | 54 | * Filtros no lineales |
| | 55 | * paramétricos |
| | 56 | * no paramétricos |
| | 57 | * Información a priori |
| | 58 | * escalar |
| | 59 | * normal |
| | 60 | * chi-inverse |
| | 61 | * otros |
| | 62 | * vectorial |
| | 63 | * modelos jerárquicos |
| | 64 | * redes bayesianas |