Resumen

El Criterio de Información de Akaike (AIC) basado en regresión de mínimos cuadrados (LS) minimiza la suma de los residuos al cuadrado; LS es sensible a observaciones atípicas. Se ha propuesto un criterio alternativo, que es menos sensible a observaciones atípicas; ejemplos son el AIC robusto (RAIC), el Mallows Cp robusto (RCp) y el criterio de información bayesiano robusto (RBIC). En este artículo, proponemos un AIC robusto reemplazando la estimación de escala con una estimación de escala de alto punto de ruptura. La robustez de los métodos propuestos se estudia a través de su función de influencia. Mostramos que el AIC robusto propuesto es efectivo para seleccionar modelos precisos en presencia de valores atípicos y puntos de alta influencia, a través de ejemplos de datos simulados y reales.

• Materias:Modelos matemáticos Conjuntos difusos Ecuaciones integrales Fusión de características Algoritmo de optimización
• Subjects:Mathematical models Fuzzy sets Integral equations Feature fusion Optimization algorithm
• Palabras claves:Criterio de información de Akaike; Regresión de mínimos cuadrados; Valores atípicos; AIC robusto; Cp de Mallow robusto; Criterio de información bayesiano robusto
• Keywords:Akaike information criterion; Least squares regression; Outliers; Robust aic; Robust mallow cp; Robust bayesian information criterion