Resumen

La estimacin de mxima verosimilitud () se utiliza a menudo para estimar los parmetros del modelo de regresin logstica circular debido a su eficacia en un modelo paramtrico. Sin embargo, la evidencia ha demostrado que la clsica afecta extremadamente a la estimacin de parmetros en presencia de valores atpicos. Este artculo analiza el efecto de los valores atpicos en la regresin logstica circular y extiende cuatro estimadores robustos, a saber, el estimador de Mallows, el de Schweppe, el de Bianco y Yohai y los estimadores ponderados, al modelo de regresin logstica circular. Estos estimadores se han utilizado con xito en modelos de regresin logstica lineal con el mismo propsito. Los cuatro estimadores robustos propuestos se comparan con los clsicos mediante estudios de simulacin. Demuestran un rendimiento satisfactorio en muestras finitas en presencia de errores de clasificacin y puntos de apalancamiento. A modo de ilustracin, se analizan conjuntos de datos meteorolgicos y ecolgicos.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Estimación de máxima verosimilitud; Modelo de regresión logística circular; Valores atípicos; Estimadores robustos; Mallows; Schweppe; Bianco; Estimador Yohai; Estimadores ponderados; Estudios de simulación; Errores de clasificación; Puntos de apalancamiento; Conjuntos de datos meteorológicos; Conjuntos de datos ecológicos.
• Keywords:Maximum likelihood estimation; Circular logistic regression model; Outliers; Robust estimators; Mallows; Schweppe; Bianco; Yohai estimator; Weighted estimators; Simulation studies; Misclassified errors; Leverage points; Meteorological datasets; Ecological datasets