Resumen

Hay una larga historia de interés en la modelización de la regresión de Poisson en diferentes campos de estudio. Este trabajo se centra en el tratamiento de los problemas que surgen después de modelar los datos de recuento. Para la predicción y el análisis de los datos de recuento, es valioso estudiar los factores que influyen en el rendimiento del modelo y la decisión basada en el análisis de ese modelo. En el análisis de regresión, la multicolinealidad y las observaciones influyentes afectan por separado y conjuntamente a la estimación del modelo y a las inferencias. En este artículo, nos centramos en la multicolinealidad y las observaciones influyentes simultáneamente. Para evaluar la fiabilidad y la calidad de las estimaciones de regresión y superar los problemas de ajuste del modelo, propusimos nuevos métodos de diagnóstico basados en el teorema de Sherman-Morrison Woodbury (SMW) para detectar las observaciones influyentes utilizando fórmulas de eliminación aproximadas para el modelo de regresión de Poisson con el estimador de Liu. Se realiza un método de Monte Carlo para la evaluación de los métodos de diagnóstico propuestos. También se consideran datos reales para la evaluación de los métodos propuestos. Los resultados muestran la superioridad de los métodos de diagnóstico propuestos en la detección de observaciones inusuales en presencia de multicolinealidad en comparación con el método tradicional de estimación de máxima verosimilitud.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:métodos de diagnóstico propuestos, observaciones influyentes, datos de recuento, presencia de multicolinealidad, historia de interés, nuevos métodos de diagnóstico, métodos de monte carlo, métodos de estimación de la verosimilitud, campo de estudio, fórmula de supresión aproximada
• Keywords:proposed diagnostic methods, influential observations, count data, presence of multicollinearity, history of interest, new diagnostic methods, monte carlo methods, likelihood estimation methods, field of study, approximate deletion formula