Imagen de Portada

Criterio de Akaike para la selección de modelos con transformaciones

En el trabajo de modelación estadística, es de primordial importancia la selección del modelo, es decir, elegir dentro de un conjunto de modelos alternativos el modelo más apropiado para el conjunto de datos. Por ejemplo, en teoría de valores extremos algunas veces se desea elegir entre la distribuc...

Descripción completa

Detalles Bibliográficos
Autor Principal: Amaya Jiménez, Leonel
Otros Autores: Ortiz Rico, Andrés Felipe
Formato: Desconocido (Unknown)
Lenguaje:Español (Spanish)
Publicado: Universidad Santo Tomás 2018
Materias:
Modelos
Selección
Criterios
Akaike
Bic
id ir-11634-12544
recordtype dspace
institution Universidad Santo Tomas
collection DSpace
language Español (Spanish)
topic Modelos
Selección
Criterios
Akaike
Bic
spellingShingle Modelos
Selección
Criterios
Akaike
Bic
Amaya Jiménez, Leonel
Criterio de Akaike para la selección de modelos con transformaciones
description En el trabajo de modelación estadística, es de primordial importancia la selección del modelo, es decir, elegir dentro de un conjunto de modelos alternativos el modelo más apropiado para el conjunto de datos. Por ejemplo, en teoría de valores extremos algunas veces se desea elegir entre la distribución generalizada de valores extremos con un parámetro de forma muy pequeño o una distribución Gumbel, donde ésta última se toma como un caso límite de la primera cuando el parámetro de forma tiende a cero. En tal caso es deseable un estadístico que permita seleccionar entre un modelo u otro. Los índices AIC y BIC (Criterio de información de Akaike y criterio de información bayesiano, respectivamente) son dos criterios de uso frecuente para la selección de modelos. El AIC fue propuesto por Akaike (1974) como un estimador insesgado asintótico de la información de Kullback-Leibler esperada, entre un modelo candidato ajustado y el verdadero modelo. El BIC fue derivado por Schwarz en 1978 como una aproximación a una transformación de la probabilidad posterior de un modelo candidato.
author2 Ortiz Rico, Andrés Felipe
author_facet Ortiz Rico, Andrés Felipe
Amaya Jiménez, Leonel
format Desconocido (Unknown)
author Amaya Jiménez, Leonel
author_sort Amaya Jiménez, Leonel
title Criterio de Akaike para la selección de modelos con transformaciones
title_short Criterio de Akaike para la selección de modelos con transformaciones
title_full Criterio de Akaike para la selección de modelos con transformaciones
title_fullStr Criterio de Akaike para la selección de modelos con transformaciones
title_full_unstemmed Criterio de Akaike para la selección de modelos con transformaciones
title_sort criterio de akaike para la selección de modelos con transformaciones
publisher Universidad Santo Tomás
publishDate 2018
_version_ 1712107594976329728
spelling ir-11634-125442020-03-26T19:56:43Z Criterio de Akaike para la selección de modelos con transformaciones Amaya Jiménez, Leonel Ortiz Rico, Andrés Felipe https://scholar.google.es/citations?user=OuVxcUgAAAAJ&hl=es http://scienti.colciencias.gov.co:8081/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000650579 Modelos Selección Criterios Akaike Bic En el trabajo de modelación estadística, es de primordial importancia la selección del modelo, es decir, elegir dentro de un conjunto de modelos alternativos el modelo más apropiado para el conjunto de datos. Por ejemplo, en teoría de valores extremos algunas veces se desea elegir entre la distribución generalizada de valores extremos con un parámetro de forma muy pequeño o una distribución Gumbel, donde ésta última se toma como un caso límite de la primera cuando el parámetro de forma tiende a cero. En tal caso es deseable un estadístico que permita seleccionar entre un modelo u otro. Los índices AIC y BIC (Criterio de información de Akaike y criterio de información bayesiano, respectivamente) son dos criterios de uso frecuente para la selección de modelos. El AIC fue propuesto por Akaike (1974) como un estimador insesgado asintótico de la información de Kullback-Leibler esperada, entre un modelo candidato ajustado y el verdadero modelo. El BIC fue derivado por Schwarz en 1978 como una aproximación a una transformación de la probabilidad posterior de un modelo candidato. Profesional en estadística http://unidadinvestigacion.usta.edu.co Pregrado 2018-07-30T20:17:09Z 2018-07-30T20:17:09Z 2018 Formación de Recurso Humano para la Ctel: Trabajo de grado de pregrado http://purl.org/coar/version/c_ab4af688f83e57aa Amaya, L. (2018). Criterio de Akaike para la selección de modelos con transformaciones. (Trabajo de pregrado). Universidad Santo Tomás. Bogotá, Colombia http://repository.usta.edu.co/handle/11634/12544 reponame:Repositorio Institucional Universidad Santo Tomás instname:Universidad Santo Tomás repourl:https://repository.usta.edu.co spa Akaike, H. (1974). A new look at the statistical model identification. IEEE Transactions on Automatic Control, 19(6), 716-723. Beaumont, Adrian N., 2014. "Data transforms with exponential smoothing methods of forecasting, International Journal of Forecasting, Elsevier, vol. 30, pages 918-927. Burnham, K. P. and Anderson, D. R. 2002. Model Selection and Multimodel Inference: A Practical Information-Theoretic Approach, Springer, New York. Cholaquidis, A. 2015. Notas para el curso de Probabilidad II. Licenciatura en Estadística. Facultad de Ciencias, Universidad de la República. Claeskens, G. and Hjort, G., L. 2008. Model Selection and Model Averaging, Cambridge: Cambridge University Press. Fahrmeir. L, Kneib. T, Lang. S and Marxregression.B, 2013. Regression: Models, Methods and Applications.Springer De la Horra, J. Introducción a la convergencia de sucesiones de variables aleatorias. Departamento de Matemáticas U.A.M. Inga Santibáñez, Rosa M. (1996) Principio de maximización de la información de Akaike. Venezuela. Universidad Nacional Mayor San Marcos. Konishi, S. and Kitagawa, G. (2008). Information Criteria and Statistical Modeling, Springer Series in Statistics. Springer Verlag, New York. Kullback, S. (1997). Information Theory and Statistics, Dover Publications, New York. Márquez Cebrián, María Dolors. 2002. Modelo setar aplicado a la volatilidad de la rentabilidad de las acciones: algoritmos para su identificación. Universidad politécnica de Cataluña. Medel, Carlos A. (2012) Akaike or Schwarz? Which One is a Better Predictor of Chilean GDP? Central Bank of Chile. Montesinos. L,Abelardo. 2011. Estudio del AIC y BIC en la selección de modelos de vida con datos censurados. Guanajuato, Gto, CIMAT. Montgomery, D.; Peck E. y Vining, G. 2006. Introducción al análisis de regresión lineal. México: Limusa Wiley. P. Billingsley. 1999. Convergence of Probability Measures. 2nd ed. John Wiley and Sons. Raymond, José Luis y Uriel, Esequiel., 1987. Investigación econométrica aplicada un caso de estudio. alfa centauro S.A. Salih N. Neft_cI (2012) Speci_cation of Economic Time Series Models Using Akaike's Criterion, Journal of the American Statistical Association, 77:379, 537-540. Shibata, R. 1995. Boostrap Estimate of Kullback-Leibler Information for Model Selection, Technical Report No. 424, Department of Statistical University of California Berkeley, California. Tong, H. 1990. Non-linear time series: a dynamical system approach. Oxford: Oxford University Press. Wasserman, L.A. 2004. All of Statistics: A Concise Course in Statistical Inference, Springer, New York. Cholaquidis, A. 2015. Notas para el curso de Probabilidad II. Licenciatura en Estadística. Facultad de Ciencias, Universidad de la República Atribución-NoComercial-SinDerivadas 2.5 Colombia http://creativecommons.org/licenses/by-nc-nd/2.5/co/ Abierto (Texto Completo) Abierto (Texto Completo) http://purl.org/coar/access_right/c_abf2 application/pdf application/pdf CRAI-USTA Bogotá Universidad Santo Tomás Pregrado Estadística Facultad de Estadística
score 12,111491

Ejemplares similares