Este documento presenta un análisis de influencia en el modelo de regresión beta utilizando inferencia bayesiana. Introduce el modelo de regresión beta, incluyendo su función de densidad y propiedades. Explica el proceso de inferencia bayesiana en el modelo, describiendo la función de verosimilitud y las distribuciones a priori consideradas. Finalmente, analiza cómo detectar puntos influyentes en el modelo de regresión beta desde una perspectiva bayesiana.
Cuáles son las características biológicas que están marcadas en tu individual...
Análisis de Influencia en el modelo de regresión Beta por Inferencia Bayesiana
1. An´alisis de Influencia en el modelo de Regresi´on Beta
por inferencia Bayesiana
Mg. Jim Roland Silvestre Valer
jrsilvestrev@pucp.pe
PeruStat
Analytics training, consulting and researching
Semana Cient´ıfica en UNMSM
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 1 / 40
3. Resumen
1 Introducci´on
Consideraciones previas y justificaci´on
2 Objetivos
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 2 / 40
4. Resumen
1 Introducci´on
Consideraciones previas y justificaci´on
2 Objetivos
3 Modelo de Regresi´on Beta
Funci´on de densidad y propiedades
Reparametrizaci´on alternativa
Modelo de regresi´on Beta
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 2 / 40
5. Resumen
1 Introducci´on
Consideraciones previas y justificaci´on
2 Objetivos
3 Modelo de Regresi´on Beta
Funci´on de densidad y propiedades
Reparametrizaci´on alternativa
Modelo de regresi´on Beta
4 Inferencia Bayesiana en el MRB
Funci´on de verosimilitud
Distribuci´on a priori
Distribuci´on a posteriori
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 2 / 40
6. Resumen
1 Introducci´on
Consideraciones previas y justificaci´on
2 Objetivos
3 Modelo de Regresi´on Beta
Funci´on de densidad y propiedades
Reparametrizaci´on alternativa
Modelo de regresi´on Beta
4 Inferencia Bayesiana en el MRB
Funci´on de verosimilitud
Distribuci´on a priori
Distribuci´on a posteriori
5 An´alisis de Influencia
An´alisis de Influencia con la Estad´ıstica Bayesiana
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 2 / 40
7. Resumen
1 Introducci´on
Consideraciones previas y justificaci´on
2 Objetivos
3 Modelo de Regresi´on Beta
Funci´on de densidad y propiedades
Reparametrizaci´on alternativa
Modelo de regresi´on Beta
4 Inferencia Bayesiana en el MRB
Funci´on de verosimilitud
Distribuci´on a priori
Distribuci´on a posteriori
5 An´alisis de Influencia
An´alisis de Influencia con la Estad´ıstica Bayesiana
6 Aplicaci´on
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 2 / 40
8. Resumen
1 Introducci´on
Consideraciones previas y justificaci´on
2 Objetivos
3 Modelo de Regresi´on Beta
Funci´on de densidad y propiedades
Reparametrizaci´on alternativa
Modelo de regresi´on Beta
4 Inferencia Bayesiana en el MRB
Funci´on de verosimilitud
Distribuci´on a priori
Distribuci´on a posteriori
5 An´alisis de Influencia
An´alisis de Influencia con la Estad´ıstica Bayesiana
6 Aplicaci´on
7 Conclusiones y Recomendaciones
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 2 / 40
9. Introducci´on Consideraciones previas y justificaci´on
Consideraciones Previas
Puede ser interesante analizar:
La tasa de desempleo en Lima en funci´on del nivel educativo de los
habitantes,del n´umero de horas laborables al d´ıa, de la edad del
habitante,etc.
La proporci´on de ni˜nos en edad escolar que trabajan en funci´on del
n´umero de hijos por familia, el ingreso familiar, etc.
Kieschnick y McCullough (2003) plantean que la distribuci´on Beta es
adecuada para el an´alisis de este tipo de datos.
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 3 / 40
10. Introducci´on Consideraciones previas y justificaci´on
Justificaci´on
Seg´un Cho et al (2009) la importancia de identificar observaciones
influyentes en un an´alisis estad´ıstico es un problema metodol´ogico bien
reconocido y el desarrollo de medidas de diagn´ostico para detectar
observaciones influyentes es de inter´es para muchos investigadores. Las
observaciones influyentes son una parte importante del an´alisis de datos y
por lo tanto requieren un trato m´as exhaustivo dado que pueden tener un
fuerte impacto en las conclusiones que se lleguen con la inferencia
estad´ıstica.
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 4 / 40
11. Objetivos
Objetivo principal
Detectar puntos influyentes empleando inferencia Bayesiana en modelos de
regresi´on para proporciones espec´ıficamente en el modelo de Regresi´on
Beta.
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 5 / 40
12. Objetivos
Objetivos secundarios
Mostrar diferentes propuestas del modelo de regresi´on Beta.
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 6 / 40
13. Objetivos
Objetivos secundarios
Mostrar diferentes propuestas del modelo de regresi´on Beta.
Dar a conocer algunas propiedades sobre el an´alisis de influencia.
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 6 / 40
14. Objetivos
Objetivos secundarios
Mostrar diferentes propuestas del modelo de regresi´on Beta.
Dar a conocer algunas propiedades sobre el an´alisis de influencia.
Realizar aplicaciones a conjuntos de datos reales.
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 6 / 40
15. Modelo de Regresi´on Beta Funci´on de densidad y propiedades
Modelo
EL MODELO DE REGRESI´ON BETA
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 7 / 40
16. Modelo de Regresi´on Beta Funci´on de densidad y propiedades
funci´on de densidad
La funci´on de densidad de una variable aleatoria y que sigue una
distribuci´on Beta es la siguiente:
fY (y | α, β) =
Γ(α + β)
Γ(α)Γ(β)
yα−1
(1 − y)β−1
, 0 < y < 1
α, β > 0
La media y la variancia de una distribuci´on Beta son expresadas por:
E(y) =
α
α + β
y V ar(y) =
αβ
(α + β)2(α + β + 1)
(1)
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 8 / 40
17. Modelo de Regresi´on Beta Reparametrizaci´on alternativa
Reparametrizaci´on alternativa
Ferrari y Cribari Neto (2004) reparametrizaron el modelo haciendo
µ = α/(α + β) y φ = α + β, y se obtiene que:
E(y) = µ y V ar(y) =
V (µ)
1 + φ
donde V (µ) = µ(1 − µ).
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 9 / 40
18. Modelo de Regresi´on Beta Reparametrizaci´on alternativa
Reparametrizaci´on alternativa
Luego, en la nueva parametrizaci´on la densidad de la distribuci´on Beta
puede ser escrita como
fY (y | µ, φ) =
Γ(φ)
Γ(µφ)Γ((1 − µ)φ)
yµφ−1
(1 − y)(1−µ)φ−1
, 0 < y < 1 (2)
donde 0 < µ < 1 y φ > 0.
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 10 / 40
19. Modelo de Regresi´on Beta Modelo de regresi´on Beta
Antecedentes de la dispersi´on en el modelo
Ferrari y Cribari Neto(2004) plantean un MRB con dispersi´on fija
(φ=constante)
Smithson y Verkuilen(2006) plantearon un MRB con dispersi´on
variable (φ=variable)
Espinheira(2008) tambi´en hizo su aporte en el MRB y
consider´o dispersi´on constante.
Simas et al(2010), Ferrari et al. (2011); Cribari-Neto y Zeileis(2010)
analizaron el MRB con dispersi´on variable.
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 11 / 40
20. Modelo de Regresi´on Beta Modelo de regresi´on Beta
An´alisis de influencia en el modelo
Ferrari y Cribari Neto(2004) presentan directrices para el an´alisis de
influencia desde la perspectiva cl´asica.
Espinheira et al (2008b) propone diversas medidas de influencia y
muestra que tan influyente puede ser una observaci´on at´ıpica en el
MRB.
Bayes y Baz´an(2012) estudian la influencia de una observaci´on at´ıpica
en el MRB desde la perspectiva Bayesiana.
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 12 / 40
21. Modelo de Regresi´on Beta Modelo de regresi´on Beta
El modelo y sus caracter´ısticas
Estamos analizando el MRB con dispersi´on variable propuesto por
Smithson y Verkuilen(2006).
Sean y1, ..., yn variables aleatorias tales que:
yi ∼ Beta(µi, φi)
g(µi) =
k
j=1
xijβj
h(φi) =
p
l=1
zilγl
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 13 / 40
22. Modelo de Regresi´on Beta Modelo de regresi´on Beta
Tama˜no de muestra en el modelo
Ferrari y Cribari Neto (2004) consideran que el m´etodo de m´axima
verosimilitud es adecuado cuando el tama˜no de muestra es
suficientemente grande.
Por otro lado si tenemos situaciones en las cuales el tama˜no de
muestra sea peque˜no y se conozca cierta informaci´on a priori sobre los
par´ametros del modelo, entonces Congdon (2003) sugiere realizar el
an´alisis desde la perspectiva Bayesiana.
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 14 / 40
23. Inferencia Bayesiana en el MRB Funci´on de verosimilitud
Inferencia Bayesiana
INFERENCIA BAYESIANA EN EL MODELO DE REGRESI´ON
BETA
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 15 / 40
24. Inferencia Bayesiana en el MRB Funci´on de verosimilitud
Funci´on de verosimilitud
La funci´on de verosimilitud es dada por:
L(θ | y) =
n
i=1
Γ(φi)
Γ(µiφi)Γ(φi(1 − µi))
yµiφi−1
i (1 − yi)φi(1−µi)−1
donde θ = (β, γ)
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 16 / 40
25. Inferencia Bayesiana en el MRB Distribuci´on a priori
Distribuci´on a priori
Consideraremos las siguientes prioris:
p(βj) ∼ Normal(0, σ2
β)
p(γl) ∼ Normal(0, σ2
γ)
con j = 1, 2, ..., k y l = 1, 2, ..., p y adem´as se puede asignar incluso
valores grandes para los hiperpar´ametros σ2
β y σ2
γ, como una distribuci´on a
priori no informativa. Asumimos que los par´ametros β y γ son
independientes y por lo tanto:
p(θ) = p(β) × p(γ)
con θ = (β, γ)
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 17 / 40
26. Inferencia Bayesiana en el MRB Distribuci´on a posteriori
Distribuci´on a posteriori
La distribuci´on a posteriori es proporcional a la multiplicaci´on de la priori
por la respectiva funci´on de verosimilitud, es decir:
p(θ | y) ∝ L(θ | y) × p(θ)
Entonces la distribuci´on a posteriori es:
p(θ | y) ∝
n
i=1
Γ(φi)
Γ(µiφi)Γ(φi(1 − µi))
yµiφi−1
i (1 − yi)φi(1−µi)−1
×
e
−1
2
k
j=1
β2
j /σ2
β+
p
l=1
γ2
l /σ2
γ
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 18 / 40
27. An´alisis de Influencia An´alisis de Influencia con la Estad´ıstica Bayesiana
Medidas de influencia
MEDIDAS DE INFLUENCIA
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 19 / 40
28. An´alisis de Influencia An´alisis de Influencia con la Estad´ıstica Bayesiana
CPO: Conditional Predictive Ordinate
Seg´un Congdon(2003) el CPO, para la observaci´on i- ´esima, se define
como:
CPOi = f(yi | y(i)) = f(yi | θ, y(i))p(θ | y(i))dθ
donde yi ∈ y siendo y = {y1, y2, ..., yn} y y(i) = {y1, ..., yi−1, yi+1, ..., yn}
Pero en este trabajo asumimos que los yi son independientes de y(i) dado
un θ desconocido entonces el CPOi queda dado por:
CPOi = f(yi | y(i)) = f(yi | θ)p(θ | y(i))dθ
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 20 / 40
29. An´alisis de Influencia An´alisis de Influencia con la Estad´ıstica Bayesiana
Estimaci´on del CPO por MCMC
Una aproximaci´on por el m´etodo Monte Carlo es la siguiente:
CPOi = ˆf(yi | y(i)) =
1
1
B
B
s=1
1
f(yi|y(i),θs)
θs representa un conjunto de valores extra´ıdos de la funci´on a posteriori de
θ, p(θ | y) asumiendo que el modelo fue ajustado por un m´etodo basado
en alg´un tipo de muestreo.
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 21 / 40
30. An´alisis de Influencia An´alisis de Influencia con la Estad´ıstica Bayesiana
Divergencia de Kullback- Leibler (Divergencia KL)
La divergencia KL se define como:
DKL(f, g) = f(x) log
f(x)
g(x)
dx
donde f(.) y g(.) son dos funciones de densidad.
Un valor grande de la divergencia KL implica mayor diferencia entre las
funciones de densidad.
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 22 / 40
31. An´alisis de Influencia An´alisis de Influencia con la Estad´ıstica Bayesiana
Divergencia de Kullback- Leibler (Divergencia KL)
DKL(i) mide la distancia entre las distribuciones a posterioris con todos
los datos y eliminando el i- ´esimo dato y lo definimos como:
DKL(i) = f(θ | y) log
f(θ | y)
(f(θ | y(i))
dθ
f(θ | y) es la distribuci´on a posteriori de θ dado y y f(θ | y(i)) es la
distribuci´on a posteriori de θ dado y(i) siendo
y(i) = (y1, ..., yi−1, yi+1, ..., yn).
Un valor grande de DKL(i) implica mayor influencia de la observaci´on
i-´esima en la estimaci´on.
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 23 / 40
32. An´alisis de Influencia An´alisis de Influencia con la Estad´ıstica Bayesiana
Estimaci´on de la Divergencia KL por MCMC
La estimaci´on de la divergencia KL por MCMC es dada por:
ˆDKL(i) =
1
B
B
s=1
log(f(yi | θs
, x, y(i))) − log
1
1
B
B
s=1
1
f(yi|θs,x,y(i))
Como la expresi´on en el segundo t´ermino es la estimaci´on del CPOi ,
entonces:
ˆDKL(i) =
1
B
B
s=1
log(f(yi | θs
, x, y(i))) − log(CPOi)
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 24 / 40
33. Aplicaci´on
Aplicaci´on
APLICACI´ON A UN CASO REAL
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 25 / 40
34. Aplicaci´on
APLICACI´ON
Se consideraron 37 atletas de remo de un total de 202 deportistas del
Instituto Australiano del Deporte (AIS). Se eligieron 2 variables (Bfat y
lbm) para realizar la detecci´on de puntos influyentes, donde:
lbm: (lean body mass) significa masa corporal magra, medida en
kilogramos.
Bfat: (body fat percentage) es un indicador de grasa corporal y
est´a expresado en unidades porcentuales.
En el gr´afico se puede observar que hay dos valores at´ıpicos, los cuales
deber´ıan ser detectados por el CPO y la divergencia KL
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 26 / 40
36. Aplicaci´on
Estimaci´on de los par´ametros
El modelo es:
Bfati ∼ Beta(µi, φ)
logit(µi) = β0 + β1 × lbmi
las distribuciones a priori no informativas son: β0 ∼ N(0; 1000000),
β1 ∼ N(0; 1000000) y φ ∼ Gama(0,01; 0,01)
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 28 / 40
37. Aplicaci´on
Estimaci´on de los par´ametros
Realizando la estimaci´on de los par´ametros por MCMC utilizando
OpenBugs considerando 100000 iteraciones, per´ıodo burnin de 50000 y
thin de 10, se obtuvo:
media sd 2.5 % 25 % 50 % 75 % 97.5 %
β0 0.086 0.22 -0.34 -0.07 0.09 0.24 0.52
β1 -0.027 0.001 -0.03 -0.03 -0.03 -0.02 -0.02
φ 88.012 20.78 52.37 73.16 86.34 101.43 133.36
Dbar -139.60 2.35 -142.33 -141.34 -140.18 -138.50 -133.76
Cuadro: Estimaci´on de los par´ametros del modelo
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 29 / 40
38. Aplicaci´on
Detecci´on con el CPO
q
q
q
q
q
q
q
q q
q q
q q
q
q
q
q
q
q
q
q
q
q
q
q
q
q q
q
q
q
q
q
q
q
q
q
0 5 10 15 20 25 30 35
024681012
Observación
CPO
16
30
Figura: menor valor del CPO refleja observaciones influyentes
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 30 / 40
39. Aplicaci´on
Detecci´on con la divergencia KL
q q q
q
q q q q q q q q q
q q
q
q q q
q q q q q q q q q q
q
q q q q q q q
0 5 10 15 20 25 30 35
0.00.51.01.5
Observación
DivergenciaKL
16
30
Figura: mayor valor de la divergencia KL refleja observaciones influyentes
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 31 / 40
40. Aplicaci´on
Estimaci´on de los par´ametros sin la observaci´on {16}
media sd 2.5 % 25 % 50 % 75 % 97.5 %
β0 0.412 0.26 -0.10 0.23 0.41 0.58 0.93
β1 -0.032 0.0007 -0.04 -0.03 -0.03 -0.03 -0.02
φ 102.85 24.67 59.22 85.35 101.02 117.83 156.33
Dbar -141.623 2.61 -144.67 -143.59 -142.26 -140.33 -134.81
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 32 / 40
41. Aplicaci´on
an´alisis de la variaci´on de los par´ametros
par´ametros inicio -{16} variaci´on IC95 % IC-{16} variaci´on
β0 0.086 0.412 379.07 % 0.86 1.03 19.77 %
β1 -0.027 -0.032 18.52 % 0.01 0.02 100 %
Cuadro: An´alisis de la variaci´on porcentual en la estimaci´on puntual (media a
posteriori) de los par´ametros y el ancho del IC eliminando la observaci´on {16}
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 33 / 40
42. Aplicaci´on
Estimaci´on de los par´ametros sin la observaci´on {30}
media sd 2.5 % 25 % 50 % 75 % 97.5 %
β0 0.41 0.26 -0.10 0.25 0.40 0.57 0.97
β1 -0.03 0.003 -0.04 -0.03 -0.03 -0.03 -0.02
φ 123.58 29.80 72.49 102.38 120.73 142.69 188.41
Dbar -148.50 2.91 -151.89 -150.72 -149.24 -147.05 -141.11
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 34 / 40
43. Aplicaci´on
an´alisis de la variaci´on de los par´ametros
par´ametros inicio -{30} variaci´on IC95 % IC-{30} variaci´on
β0 0.086 0.41 376.74 % 0.86 1.07 24.42 %
β1 -0.027 -0.03 18.52 % 0.01 0.02 100 %
Cuadro: An´alisis de la variaci´on porcentual en la estimaci´on puntual (media a
posteriori) de los par´ametros y el ancho del IC eliminando la observaci´on {30}
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 35 / 40
44. Aplicaci´on
Estimaci´on de los par´ametros sin las observaciones {16,30}
media sd 2.5 % 25 % 50 % 75 % 97.5 %
β0 0.825 0.18 0.45 0.71 0.84 0.95 1.14
β1 -0.038 0.0003 -0.04 -0.04 -0.04 -0.04 -0.03
φ 206.41 51.21 119.42 169.93 202.10 237.22 319.25
Dbar -163.83 2.66 -166.95 -165.80 -164.44 -162.54 -157.03
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 36 / 40
45. Aplicaci´on
an´alisis de la variaci´on de los par´ametros
par´ametros inicio -{16,30} variaci´on IC95 % IC-{16,30} variaci´on
β0 0.086 0.825 859.3 % 0.86 0.69 19.77 %
β1 -0.027 -0.038 40.74 % 0.01 0.01 0.0 %
Cuadro: An´alisis de la variaci´on porcentual en la estimaci´on puntual (media a
posteriori) de los par´ametros y el ancho del IC eliminando las observaciones
{16,30}
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 37 / 40
47. Conclusiones y Recomendaciones
Conclusiones
Las observaciones influyentes detectadas por los m´etodos de la
estad´ıstica cl´asica, coinciden con los de la estad´ıstica Bayesiana, pero
no necesariamente en todos los casos.
El m´etodo de diagn´ostico de la divergencia de Kullback - Leiber (KL)
detecta observaciones influyentes con mejor precisi´on que el m´etodo
de la ordenada predictiva condicional (CPO), como se observ´o en la
aplicaci´on.
Las observaciones influyentes detectadas por el m´etodo CPO y la
divergencia KL no necesariamente coinciden en todos los casos.
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 39 / 40
48. Conclusiones y Recomendaciones
Recomendaci´on
Al querer detectar puntos influyentes empleando estad´ıstica
Bayesiana, se recomienda detectarlas con la divergencia KL y el CPO.
Posteriormente analizar, en lo posible, las observaciones influyentes
comunes.
Silvestre Valer, Jim.R. (UNI-PUCP) An´alisis de Influencia en el modelo de Regresi´on Beta por inferencia Bayesiana 40 / 40