Changes between Version 5 and Version 6 of TolDocModelPlanIntegracionSistemasEstimacion

Timestamp:

Jun 2, 2011, 4:25:30 PM (14 years ago)

Author:

Víctor de Buen Remiro

Comment:

--

TolDocModelPlanIntegracionSistemasEstimacion

@@ -10 +10 @@
 Lo prmero es determinar, aunque sea de una forma bastante abstracta por ahora, la clase de modelos 
 que queremos ser capaces de manejar, y qué es lo que podremos hacer con ellos una vez construidos.
+
+Una vez delimitados estos objetivos habrá que ver qué parte de ellos puede ser acometida como una 
+extensión de la tecnología existente sin romper la compatibilidad hacia atrás y cuáles deben ser 
+postergados a un nuevo sistema que incluiría todo lo anterior mediante algún mecanismo de conversión.
 
 === La clase de modelos ===
@@ -31 +35 @@
  * Distribución de los residuos
   * caso normal
-  * caso generalizado ([http://en.wikipedia.org/wiki/Generalized_linear_model#Probability_distribution overdispersed exponential family])
+  * caso generalizado ([http://en.wikipedia.org/wiki/Generalized_linear_model#Probability_distribution overdispersed exponential family]). Enumero los casos que han sido solicitados alguna vez
    * regresión cualitativa
     * regresión booleana
@@ -43 +47 @@
     * regresión geométrica
     * etc.
+  * distribuciones arbitrarias: 
  * Matriz de Varianzas-Covarianzas del ruido
   * Diagonal: Regresión ponderada o heterocedástica
@@ -87 +92 @@
      basado únicamente en el logaritmo, salvo una constante, de la función de densidad condicionada 
      por el resto de bloques. 
-  * Estimación parcial:
-   * Fijación de parámetros
-   * Recarga de estimaciones anteriores
-   * Implementación de las restricciones de igualdad
-  * Máximo probable: Maximizar la verosimilitud conjunta condicionada por la información a priori y 
-    las restricciones de igualdad y desigualdad lineales y no lineales. 
+   * Continuación (resume) de una cadena en una nueva sesión: Esta es una característica tan importante como 
+     poco usada de BSR que debe ser dada a conocer, pues es de gran utilidad para restablecerse de una 
+     caída del sistema, o bien si se observa que hay pocoa muestra o no ha convergido todavía, sin tener
+     que volver a empezar desde cero.
+   * Estimación parcial:
+    * Fijación de parámetros
+    * Recarga de estimaciones anteriores
+    * Implementación de las restricciones de igualdad
+  * Estimación máximo probable (MLE): Maximizar la verosimilitud conjunta condicionada por la información 
+    a priori y las restricciones de igualdad y desigualdad lineales y no lineales. Hasta ahora sólo se ha 
+    intentado usar en modelos mono-bloque y en el bloque lineal de BSR pero habría que estudiar si el 
+    esquema de Gibbs en simulación es exportable a la optimización, pues en realidad se trata de
+    algoritmos que tienen mucho en común. Podría verse como un método de optmización iterativa en el que 
+    en cada paso se encuentra el óptimo de un bloque condicionado al resto, hasta que se alcanza un punto 
+    estacionario o se supera algún otro criterio de parada. La búsqueda de un punto óptimo puede ser útil 
+    de dos formas distintas:
+   * Como paso previo a la simulación MCMC desde un punto inicial que acelere la convergencia, lo cual 
+     puede ahorrar muchos recursos en modelos grandes y complejos.
    * Como objetivo en sí mismo en los casos en los que tenga sentido, es decir, cuando la distribución 
      asintótica se sabe que es por construcción similar a la distribución a posteriori, pero resulte 
-     notablemente más rápida.
-   * Como paso previo a la simulación desde un punto inicial que acelere la convergencia
-   * Como distribución asintótica para generar muestras independientes de forma que la salida sea 
-     análoga a la de la simulación MCMC para poder ser utilizada por los métodos de diagnosis e
-     inferencia baysianas.
+     notablemente más rápida. En este caso es posible generar muestras independientes de esa distribución 
+     asintótica de forma que la salida sea análoga a la de la simulación MCMC para poder ser utilizada 
+     por los métodos de diagnosis e inferencia baysianas.
  * Diagnosis:
   * Chequeo de convergencia
@@ -114 +129 @@
   * Decisión bayesiana
 
+== Plan a corto-medio plazo ==
+
+Prácticamente todos los objetivos planteados son extensibles al BSR actual a excepción de la 
+distribución de los residuos que debe seguir siendo normal, pues el diseño está basado en esa 
+hipótesis y no es planteable la generalización.
+
+El núcleo de BSR puede ser extendido pero lo que parece más complicado es extender la API de 
+definición basada en el parser. Habría que establecer un sistema de comunicación directa entre MMS
+y BSR que ataque directamente la estructura de datos manejada.
+
+Esta estructura Bsrde hecho debería ser replanteada como una clase para poder crecer y extenderse 
+de una forma más facil de mantener. Para asegurar la compatibilidad con el estado actual bastaría
+con tener un método que cree la instancia a parit
+
+== Plan a medio-largo plazo ==
+
+A largo plazo sin embargo está claro que hay que afrontar otras distribuciones distintas de la normal 
+y no parece razonable reescribir toda la parafernalia de características adicionales sobre cada 
+clase de modelos. Ahora mismo tenemos la base para estimar modelos generalizados pero de un solo bloque,
+es decir, que no se puede introducir jerarquías ni integrar con estructuras ARIMA u omitidos. Tan sólo
+ademiten información a priori escalar, ponderación de datos y restricciones de desigualdad lineal.
+
+