Resumen

La eliminación de predictores insignificantes y la combinación de predictores con coeficientes indistinguibles son los dos problemas planteados en la búsqueda del verdadero modelo. El Agrupamiento Absoluto por Pares y la Esparsidad (PACS) logran ambos objetivos. Desafortunadamente, PACS es sensible a valores atípicos debido a su dependencia de la función de pérdida de mínimos cuadrados, que se sabe que es muy sensible a datos inusuales. En este artículo, se ha estudiado la sensibilidad de PACS a valores atípicos. Se han propuesto versiones robustas de PACS (RPACS) reemplazando los pesos de mínimos cuadrados y no robustos en PACS con estimaciones de MM y pesos robustos dependiendo de correlaciones robustas en lugar de correlación de Pearson, respectivamente. Se ha utilizado un estudio de simulación y dos aplicaciones de datos reales para evaluar la efectividad de los métodos propuestos.

• Materias:Identificación robusta Distribución de Gram-Charlier Modelo estadístico Distribución geométrica Reconstrucción numérica
• Subjects:Robust identification Gram-Charlier distribution Statistical model Geometric distribution Numerical reconstruction
• Palabras claves:Eliminación; Predictores; Combinación; Agrupación absoluta por pares; Sensibilidad; Valores atípicos
• Keywords:Elimination; Predictors; Combination; Pairwise absolute clustering; Sensitivity; Outliers