Aplicació de mètodes de regressió robusta en els models de predicció
Visualitza/Obre
Estadístiques de LA Referencia / Recolecta
Inclou dades d'ús des de 2022
Cita com:
hdl:2117/175874
Tipus de documentTreball Final de Grau
Data2019-06
Condicions d'accésAccés obert
Llevat que s'hi indiqui el contrari, els
continguts d'aquesta obra estan subjectes a la llicència de Creative Commons
:
Reconeixement-NoComercial-SenseObraDerivada 3.0 Espanya
Abstract
Un dels problemes més usuals al món de l’estadística consisteix en explicar com es relaciona
una variable d’interès Y amb una covariable o una sèrie de covariables explicatives X. En
l’àmbit de la regressió, el mètode dels mínims quadrats ordinaris (MQO) és l’òptim quan es
compleixen les suposicions necessàries. però si alguna o algunes d’aquestes suposicions no
es compleixen, la regressió per mínims quadrats ordinaris pot funcionar malament i passa a
ser un mètode invàlid. La regressió robusta és una alternativa als mínims quadrats ordinaris
que utilitza suposicions menys restrictives i que estima els coeficients de la regressió de molt
millor forma quan els valors atípics estan presents a les dades. Els valors atípics violen la
suposició de la distribució normal dels residus i provoquen un fort biaix als coeficients estimats
per mínims quadrats ordinaris ja que obtenen més influència de la que mereixen. Actualment
existeixen diferents mètodes de regressió robusta, però aquest treball es centrarà en la
regressió quantil lineal, en la regressió que es basa en la hipòtesi d’utilitzar la distribució t-
Student en comptes de la Normal i finalment en la regressió per mínims quadrats ponderats One of the most common problems in statistics consists in explain how an interest variable Y
is related to an explanatory variable or some explanatory variables X. In Regression, Ordinary
Least Squares (OLS) is optimum when necessary assumptions are valid. However, when
some of these assumptions are invalid, ordinary least squares regression can work wrong and
becomes to an invalid method. Robust regression provides an alternative to ordinary least
squares regression that works with less restrictive assumptions and provides much better
regression coefficient estimates when outliers are present in the data. Outliers violate the
assumption of normally distributed residuals in least squares regression and they tend to
distort the least squares coefficients by having more influence than they deserve. Currently
there are many different robust regression methods, but this memory will focus in quantile
regression, robust statistical modeling using the t distribution instead of Normal distribution and
finally weighted least squares.
TitulacióGRAU EN ESTADÍSTICA (Pla 2009)
Col·leccions
Fitxers | Descripció | Mida | Format | Visualitza |
---|---|---|---|---|
TFG_Aleix_Salvador_Barrera.pdf | 1,105Mb | Visualitza/Obre |