dc.contributor | Esteban Duarte, Nubia | |
dc.creator | Morales Foronda, Andrés Felipe | |
dc.date.accessioned | 2023-05-26T23:17:42Z | |
dc.date.available | 2023-05-26T23:17:42Z | |
dc.date.created | 2023-05-26T23:17:42Z | |
dc.date.issued | 2022 | |
dc.identifier | https://repositorio.unal.edu.co/handle/unal/83885 | |
dc.identifier | Universidad Nacional de Colombia | |
dc.identifier | Repositorio Institucional Universidad Nacional de Colombia | |
dc.identifier | https://repositorio.unal.edu.co/ | |
dc.description.abstract | Muchos fenómenos de la naturaleza pueden ser representados por medio
de modelos estadísticos de forma satisfactoria y, para validar estos modelos,
los métodos de diagnóstico resultan ser herramientas muy útiles para la
verificación de un buen ajuste. La aplicación de los métodos de diagnóstico es
relativamente sencilla para modelos de regresión lineal clásicos, sin embargo
el proceso es más complicado cuando se consideran modelos más generales
y con fuentes adicionales de variabilidad, como es el modelo lineal mixto
o modelos con respuesta binaria o de conteo, como es el caso de modelos
lineales generalizados y modelos lineales generalizados mixtos, que en general
requieren el uso de técnicas de análisis de residuales y de sensibilidad más
complejas.
En este trabajo se presentan diferentes estrategias relacionadas con el
diagnóstico de modelos, introduciendo tanto los enfoques clásicos, que son
habitualmente utilizados, así como los enfoques más recientes. Las metodologías
derivadas serán estudiadas para modelos lineales mixtos, modelos
lineales generalizados y modelos lineales generalizados mixtos, enfatizando
su utilización en diferentes aplicaciones. (Texto tomado de la fuente) | |
dc.description.abstract | Many natural phenomena can be represented by means of statistical models
in a satisfactory way and, to validate such models, diagnostic methods
are very useful tools for the verification of a good fit. The application of
diagnostic methods is relatively simple for classical linear regression models,
however the process becomes more complicated when considering more general
models with additional sources of variability, such as the linear mixed
model or models with a binary or counting response as in the case of generalized
linear models and generalized linear mixed models, which in general
require the use of more complex residual and sensitivity analysis techniques.
In this paper different strategies related to model diagnostics are presented,
introducing both classical approaches, which are commonly used as well
as more recent approaches. The derived methodologies will be studied for
linear mixed models, generalized linear models and generalized linear mixed
models emphasizing their use in different applications. | |
dc.language | spa | |
dc.publisher | Universidad Nacional de Colombia | |
dc.publisher | Manizales - Ciencias Exactas y Naturales - Maestría en Ciencias - Matemática Aplicada | |
dc.publisher | Facultad de Ciencias Exactas y Naturales | |
dc.publisher | Manizales, Colombia | |
dc.publisher | Universidad Nacional de Colombia - Sede Manizales | |
dc.relation | Banerjee, M., & Frees, E. W. (1997). Influence diagnostics for linear longitudinal
models. Journal of the American Statistical Association,
92 (439), 999-1005. | |
dc.relation | Bates, D., M¨achler, M., Bolker, B., & Walker, S. (2015). Fitting Linear
Mixed-Effects Models Using lme4. Journal of Statistical Software,
67 (1), 1-48. https://doi.org/10.18637/jss.v067.i01 | |
dc.relation | Bates, D., Maechler, M., & Bolker, B. (2019). MEMSS: Data Sets from
Mixed-Effects Models in S [R package version 0.9-3]. https://CRAN.
R-project.org/package=MEMSS | |
dc.relation | Bates, D., Maechler, M., & Bolker, B. (2020). mlmRev: Examples from Multilevel
Modelling Software Review [R package version 1.0-8]. https:
//CRAN.R-project.org/package=mlmRev | |
dc.relation | Beckman, R. J., Nachtsheim, C. J., & Cook, R. D. (1987). Diagnostics for
mixed–model analysis of variance. Technometrics, 29 (4), 413-426. | |
dc.relation | Breslow, N. E., & Clayton, D. G. (1993). Approximate inference in generalized
linear mixed models. Journal of the American statistical Association,
88 (421), 9-25. | |
dc.relation | Brown, C. C. (1982). On a goodness of fit test for the logistic model based on
score statistics. Communications in Statistics-Theory and Methods,
11 (10), 1087-1105. | |
dc.relation | Brown, H., & Prescott, R. (2015). Applied mixed models in medicine. John
Wiley & Sons. | |
dc.rights | Reconocimiento 4.0 Internacional | |
dc.rights | http://creativecommons.org/licenses/by/4.0/ | |
dc.rights | info:eu-repo/semantics/openAccess | |
dc.title | Estudio comparativo de los métodos de diagnóstico para modelos lineales mixtos y modelos lineales generalizados | |
dc.type | Trabajo de grado - Maestría | |