Resumen

En los procedimientos óptimos adaptativos, el diseño en cada etapa es una estimación del diseño óptimo basada en todos los datos previos. La asintótica para modelos regulares con un número fijo de etapas es directa si se asume que el tamaño de la muestra de cada etapa tiende a infinito con el tamaño de la muestra total. Sin embargo, no es raro que un pequeño estudio piloto de tamaño fijo sea seguido por un experimento mucho más grande. Estudiamos el comportamiento de muestras grandes en tales estudios. Para simplificar, asumimos un modelo de regresión no lineal con errores normales. Mostramos que la distribución de los estimadores de máxima verosimilitud converge a una familia de mezclas de escala de variables aleatorias normales. Luego, para una función de media exponencial de un parámetro, derivamos explícitamente la distribución asintótica del estimador de máxima verosimilitud y presentamos una simulación para comparar las características de esta distribución asintótica con algunas alternativas comúnmente utilizadas.

• Materias:Modelos de regresión Conjunto borroso Agrupamiento Factores de transcripción Modelo autorregresivo
• Subjects:Regression models Fuzzy set Clustering Transcription factors Autoregressive model
• Palabras claves:Procedimientos óptimos adaptativos; Diseño; Asintótica; Tamaño de muestra; Modelo de regresión; Estimación de máxima verosimilitud
• Keywords:Adaptive optimal procedures; Design; Asymptotics; Sample size; Regression model; Maximum likelihood estimate