Algoritmos adaptativos de Gibbs Sampling para la identificación de heterogeneidad en regresión y series temporales

Abstract

EN LA TESIS DOCTORAL SE DESARROLLAN NUEVOS PROCEDIMIENTOS PARA LA DETECCION DE OBSERVACIONES ATIPICAS QUE INTRODUCEN HETEROGENEIDAD EN MUESTRAS CON DATOS INDEPENDIENTES Y DEPENDIENTES, SE PROPONEN DOS NUEVOS ALGORITMOS DIFERENTES PARA LOS PROBLEMAS DE REGRESION Y SERIES TEMPORALES BASADOS EN EL ALGORITMO DE GIBBS SAMPLING. SE DEMUESTRA TAMBIEN QUE LA APLICACION ESTANDAR DE GIBBS SAMPLING NO PROPORCIONA UNA IDENTIFICACION CORRECTA DE LOS VALORES ATIPICOS EN PROBLEMAS QUE PRESENTAN GRUPOS DE OBSERVACIONES ATIPICAS. PARA ELLO LA AUTORA EXITINDE LA APLICACION GIBBS SAMPLING A LA IDENTIFICACION DE OBSERVACIONES ATIPICAS EN REGRESION CON UN MODELO LINEAL DE CONTAMINACION DE ESCALA. SE DEMUESTRA QUE EL EFECTO DEL "POTENCIAL" EN LOS MODELOS DE REGRESION PUEDE PROVOCAR UNA CONVERGENCIA EXTREMADAMENTE LENTA DEL ALGORITMO EN MUESTRAS QUE CONTIENEN GRUPOS ATIPICOS INFLUYENTES. LA AUTORA PROPONE DOS ALGORITMOS DIFERENTES PARA LOS PROBLEMAS DE REGRESION Y SERIES TEMPORALES BASADOS EN EL LAGARITMO DE GIBBS SAMPLING (DETECTADOS ANTERIORMENTE EN LA IDENTIFICACION DE GRUPOS DE OBSERVACIONES ATIPICAS). EL TRABAJO SE APOYA EN DEMOSTRACIONES Y SE ACOMPAÑA DE REFERENCIAS BIBLIOGRAFICAS.