Evaluación de la robustez a observaciones atípicas de modelos lineales generalizados escalar-imagen vía variación total

fotografías a blanco y negro, fotografías a color, gráficas, tablas

Autores:
Bernal Castillo, Juan Camilo
Tipo de recurso:
Fecha de publicación:
2022
Institución:
Universidad Nacional de Colombia
Repositorio:
Universidad Nacional de Colombia
Idioma:
spa
OAI Identifier:
oai:repositorio.unal.edu.co:unal/82018
Acceso en línea:
https://repositorio.unal.edu.co/handle/unal/82018
https://repositorio.unal.edu.co/
Palabra clave:
510 - Matemáticas::519 - Probabilidades y matemáticas aplicadas
000 - Ciencias de la computación, información y obras generales::005 - Programación, programas, datos de computación
Modelos lineales-estadística
Estadística
Lineal models (statistics)
Statistics
Datos funcionales
Imágenes
Variación total
Modelos lineales generalizados
Observaciones influyentes
Functional data
Images
Total variation
Generalized linear models
Influential observations
Rights
openAccess
License
Atribución-SinDerivadas 4.0 Internacional
id UNACIONAL2_10e6f3ce557f0094b176abede695438b
oai_identifier_str oai:repositorio.unal.edu.co:unal/82018
network_acronym_str UNACIONAL2
network_name_str Universidad Nacional de Colombia
repository_id_str
dc.title.spa.fl_str_mv Evaluación de la robustez a observaciones atípicas de modelos lineales generalizados escalar-imagen vía variación total
dc.title.translated.eng.fl_str_mv Evaluation of robustness to outliers of scalar-image generalized linear models via total variation
title Evaluación de la robustez a observaciones atípicas de modelos lineales generalizados escalar-imagen vía variación total
spellingShingle Evaluación de la robustez a observaciones atípicas de modelos lineales generalizados escalar-imagen vía variación total
510 - Matemáticas::519 - Probabilidades y matemáticas aplicadas
000 - Ciencias de la computación, información y obras generales::005 - Programación, programas, datos de computación
Modelos lineales-estadística
Estadística
Lineal models (statistics)
Statistics
Datos funcionales
Imágenes
Variación total
Modelos lineales generalizados
Observaciones influyentes
Functional data
Images
Total variation
Generalized linear models
Influential observations
title_short Evaluación de la robustez a observaciones atípicas de modelos lineales generalizados escalar-imagen vía variación total
title_full Evaluación de la robustez a observaciones atípicas de modelos lineales generalizados escalar-imagen vía variación total
title_fullStr Evaluación de la robustez a observaciones atípicas de modelos lineales generalizados escalar-imagen vía variación total
title_full_unstemmed Evaluación de la robustez a observaciones atípicas de modelos lineales generalizados escalar-imagen vía variación total
title_sort Evaluación de la robustez a observaciones atípicas de modelos lineales generalizados escalar-imagen vía variación total
dc.creator.fl_str_mv Bernal Castillo, Juan Camilo
dc.contributor.advisor.none.fl_str_mv Guevara Gonzáles, Rubén Darío
dc.contributor.author.none.fl_str_mv Bernal Castillo, Juan Camilo
dc.subject.ddc.spa.fl_str_mv 510 - Matemáticas::519 - Probabilidades y matemáticas aplicadas
000 - Ciencias de la computación, información y obras generales::005 - Programación, programas, datos de computación
topic 510 - Matemáticas::519 - Probabilidades y matemáticas aplicadas
000 - Ciencias de la computación, información y obras generales::005 - Programación, programas, datos de computación
Modelos lineales-estadística
Estadística
Lineal models (statistics)
Statistics
Datos funcionales
Imágenes
Variación total
Modelos lineales generalizados
Observaciones influyentes
Functional data
Images
Total variation
Generalized linear models
Influential observations
dc.subject.lemb.spa.fl_str_mv Modelos lineales-estadística
Estadística
dc.subject.lemb.eng.fl_str_mv Lineal models (statistics)
Statistics
dc.subject.proposal.spa.fl_str_mv Datos funcionales
Imágenes
Variación total
Modelos lineales generalizados
Observaciones influyentes
dc.subject.proposal.eng.fl_str_mv Functional data
Images
Total variation
Generalized linear models
Influential observations
description fotografías a blanco y negro, fotografías a color, gráficas, tablas
publishDate 2022
dc.date.accessioned.none.fl_str_mv 2022-08-23T15:11:47Z
dc.date.available.none.fl_str_mv 2022-08-23T15:11:47Z
dc.date.issued.none.fl_str_mv 2022-08-18
dc.type.spa.fl_str_mv Trabajo de grado - Maestría
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/masterThesis
dc.type.version.spa.fl_str_mv info:eu-repo/semantics/acceptedVersion
dc.type.content.spa.fl_str_mv Text
dc.type.redcol.spa.fl_str_mv http://purl.org/redcol/resource_type/TM
status_str acceptedVersion
dc.identifier.uri.none.fl_str_mv https://repositorio.unal.edu.co/handle/unal/82018
dc.identifier.instname.spa.fl_str_mv Universidad Nacional de Colombia
dc.identifier.reponame.spa.fl_str_mv Repositorio Institucional Universidad Nacional de Colombia
dc.identifier.repourl.spa.fl_str_mv https://repositorio.unal.edu.co/
url https://repositorio.unal.edu.co/handle/unal/82018
https://repositorio.unal.edu.co/
identifier_str_mv Universidad Nacional de Colombia
Repositorio Institucional Universidad Nacional de Colombia
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.references.spa.fl_str_mv L. Chien and T. Tsou. Robust influence diagnostics for generalized linear models with continuous responses. Statistica Neerlandica, 68:324–343, 2014.
R. D. Cook. Detection of influential observation in linear regression. Technometrics, 19:15–18, 1977.
W. Dai and M. G. Genton. Multivariate functional data visualization and outlier detection. Journal of Computational and Graphical Statistics, 27(4):923–934, 2018.
W. Dai and M. G. Genton. Directional outlyingness for multivariate functional data. Computational Statistics & Data Analysis, 131:50–65, 2019.
C. Happ. Object-oriented software for functional data. Journal of Statistical Software, 93(5):1–38, 2020.
R. R. Hocking. Methods and applications of linear models: regression and the analysis of variance. John Wiley & Sons, London, second edition, 2013.
L. Horváth and P. Kokoszka. Inference for Functional Data with Applications. Springer, New York, first edition, 2012.
A. E. Ivanescu. Function-on-function regression for two-dimensional functional data. Communications in Statistics-Simulation and Computation, 47:2656–2669, 2018.
D.-H. Jang and C. M. Anderson-Cook. Firework Plots for Evaluating the Impact of Outliers and Influential Observations in Generalized Linear Models. Quality Technology & Quantitative Management, 12:423–436, 2015.
P. Kokoszka and M. Reimherr. Introduction to functional data analysis. Chapman and Hall/CRC, 2017.
R. Y. Liu. On a notion of data depth based on random simplices. The Annals of Statistics, pages 405–414, 1990.
P. McCullagh and J. A. Nelder. Generalized Linear Models. Chapman and Hall, London, second edition, 1989.
M. Febrero-Bande, P. Galeano, and W. González-Manteiga. Measures of influence for the functional linear model with scalar response. Journal of Multivariate Analysis, 101:327–339, 2010.
R. Poldrack, J. Mumford, and T. Nichols. Handbook of functional MRI data analysis. Cambridge University Press, 2011.
J. Ramsay and B. W. Silverman. Functional Data Analysis. Springer, New York, second edition, 2005.
P. J. Rousseeuw and K. V. Driessen. A fast algorithm for the minimum covariance determinant estimator. Technometrics, 41(3):212–223, 1999.
R. J. Rousseeuw, P. and M. Hubert. A measure of directional outlyingness with applications to image data and video. Journal of Computational and Graphical Statistics, 27(2):345–359, 2018.
X. Wang, H. Z. Zhu, and for the Alzheimer’s Disease Neuroimaging Initiative. Generalized Scalar-on-Image Regression Models via Total Variation. Journal of the American Statistical Association, 112:1156–1168, 2017.
S. Yang and G. Berdine. The receiver operating characteristic (ROC) curve. The Southwest Respiratory and Critical Care Chronicles, 5(19):34–36, 2017.
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.license.spa.fl_str_mv Atribución-SinDerivadas 4.0 Internacional
dc.rights.uri.spa.fl_str_mv http://creativecommons.org/licenses/by-nd/4.0/
dc.rights.accessrights.spa.fl_str_mv info:eu-repo/semantics/openAccess
rights_invalid_str_mv Atribución-SinDerivadas 4.0 Internacional
http://creativecommons.org/licenses/by-nd/4.0/
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.extent.spa.fl_str_mv xxii, 87 páginas
dc.format.mimetype.spa.fl_str_mv application/pdf
dc.publisher.spa.fl_str_mv Universidad Nacional de Colombia
dc.publisher.program.spa.fl_str_mv Bogotá - Ciencias - Maestría en Ciencias - Estadística
dc.publisher.department.spa.fl_str_mv Departamento de Estadística
dc.publisher.faculty.spa.fl_str_mv Facultad de Ciencias
dc.publisher.place.spa.fl_str_mv Bogotá, Colombia
dc.publisher.branch.spa.fl_str_mv Universidad Nacional de Colombia - Sede Bogotá
institution Universidad Nacional de Colombia
bitstream.url.fl_str_mv https://repositorio.unal.edu.co/bitstream/unal/82018/3/1015456770.2022.pdf
https://repositorio.unal.edu.co/bitstream/unal/82018/4/license.txt
https://repositorio.unal.edu.co/bitstream/unal/82018/5/1015456770.2022.pdf.jpg
bitstream.checksum.fl_str_mv 5bdd92841118db5d96cc4e3a1ce86965
8153f7789df02f0a4c9e079953658ab2
b75bd5b005d1367434cb040c1327ee90
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional Universidad Nacional de Colombia
repository.mail.fl_str_mv repositorio_nal@unal.edu.co
_version_ 1814089728836763648
spelling Atribución-SinDerivadas 4.0 Internacionalhttp://creativecommons.org/licenses/by-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Guevara Gonzáles, Rubén Darío92d8328ad719196c6a5817a38adf9d5dBernal Castillo, Juan Camilocb54eb71c25308852dec3ba67f9fabf02022-08-23T15:11:47Z2022-08-23T15:11:47Z2022-08-18https://repositorio.unal.edu.co/handle/unal/82018Universidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/fotografías a blanco y negro, fotografías a color, gráficas, tablasLa aplicación de cualquier modelo estadístico a partir de un conjunto de datos de estudio no solo implica el planteamiento y posterior estimación e interpretación de los parámetros del mismo, también requiere de un proceso minucioso de validación de supuestos y de análisis de influencia. Este último es importante para la identificación de unidades muestrales que pueden afectar de forma importante la estimación de los parámetros o que pueden manifestar alguna característica particular dentro de la población objeto de estudio. La identificación de observaciones de alto leverage, outliers y observaciones influyentes se ha estudiado en profundidad dentro de los modelos lineales clásicos. Sin embargo, la literatura en este tema es escasa dentro de los modelos con datos funcionales. Así, el objetivo de este trabajo es evaluar el nivel de robustez a observaciones atípicas de los modelos lineales generalizados con respuesta escalar y cuyas covariables pueden ser escalares e imágenes, en los cuales los parámetros son estimados vía variación total, por medio de un estudio de simulación. Adicionalmente, se proponen métodos para la identificación de posibles observaciones influyentes. (Texto tomado de la fuente)The application of any statistical model from a dataset of interest implies not only the proposal and posterior estimation and parameter’s interpretation. Also requires a meticulous process of assumptions validation and influence analysis. The latter is important for the identification of sample units which could affect importantly the estimates or elements which could exhibit a particular feature inside the objective population. The identification of high leverage, outliers and influential observations has been studied deeply in classic linear models. However, the literature on this topic is scant in models with functional data. So, the objective of this work is to evaluate the level of robustness to atypical observations of generalized linear models with scalar response and whose covariates could be scalar and images, which are estimated via total variation, by a simulation study. In addition, we propose methods to identify possible influential observations.MaestríaMagíster en Ciencias - Estadísticaxxii, 87 páginasapplication/pdfspaUniversidad Nacional de ColombiaBogotá - Ciencias - Maestría en Ciencias - EstadísticaDepartamento de EstadísticaFacultad de CienciasBogotá, ColombiaUniversidad Nacional de Colombia - Sede Bogotá510 - Matemáticas::519 - Probabilidades y matemáticas aplicadas000 - Ciencias de la computación, información y obras generales::005 - Programación, programas, datos de computaciónModelos lineales-estadísticaEstadísticaLineal models (statistics)StatisticsDatos funcionalesImágenesVariación totalModelos lineales generalizadosObservaciones influyentesFunctional dataImagesTotal variationGeneralized linear modelsInfluential observationsEvaluación de la robustez a observaciones atípicas de modelos lineales generalizados escalar-imagen vía variación totalEvaluation of robustness to outliers of scalar-image generalized linear models via total variationTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TML. Chien and T. Tsou. Robust influence diagnostics for generalized linear models with continuous responses. Statistica Neerlandica, 68:324–343, 2014.R. D. Cook. Detection of influential observation in linear regression. Technometrics, 19:15–18, 1977.W. Dai and M. G. Genton. Multivariate functional data visualization and outlier detection. Journal of Computational and Graphical Statistics, 27(4):923–934, 2018.W. Dai and M. G. Genton. Directional outlyingness for multivariate functional data. Computational Statistics & Data Analysis, 131:50–65, 2019.C. Happ. Object-oriented software for functional data. Journal of Statistical Software, 93(5):1–38, 2020.R. R. Hocking. Methods and applications of linear models: regression and the analysis of variance. John Wiley & Sons, London, second edition, 2013.L. Horváth and P. Kokoszka. Inference for Functional Data with Applications. Springer, New York, first edition, 2012.A. E. Ivanescu. Function-on-function regression for two-dimensional functional data. Communications in Statistics-Simulation and Computation, 47:2656–2669, 2018.D.-H. Jang and C. M. Anderson-Cook. Firework Plots for Evaluating the Impact of Outliers and Influential Observations in Generalized Linear Models. Quality Technology & Quantitative Management, 12:423–436, 2015.P. Kokoszka and M. Reimherr. Introduction to functional data analysis. Chapman and Hall/CRC, 2017.R. Y. Liu. On a notion of data depth based on random simplices. The Annals of Statistics, pages 405–414, 1990.P. McCullagh and J. A. Nelder. Generalized Linear Models. Chapman and Hall, London, second edition, 1989.M. Febrero-Bande, P. Galeano, and W. González-Manteiga. Measures of influence for the functional linear model with scalar response. Journal of Multivariate Analysis, 101:327–339, 2010.R. Poldrack, J. Mumford, and T. Nichols. Handbook of functional MRI data analysis. Cambridge University Press, 2011.J. Ramsay and B. W. Silverman. Functional Data Analysis. Springer, New York, second edition, 2005.P. J. Rousseeuw and K. V. Driessen. A fast algorithm for the minimum covariance determinant estimator. Technometrics, 41(3):212–223, 1999.R. J. Rousseeuw, P. and M. Hubert. A measure of directional outlyingness with applications to image data and video. Journal of Computational and Graphical Statistics, 27(2):345–359, 2018.X. Wang, H. Z. Zhu, and for the Alzheimer’s Disease Neuroimaging Initiative. Generalized Scalar-on-Image Regression Models via Total Variation. Journal of the American Statistical Association, 112:1156–1168, 2017.S. Yang and G. Berdine. The receiver operating characteristic (ROC) curve. The Southwest Respiratory and Critical Care Chronicles, 5(19):34–36, 2017.EstudiantesInvestigadoresMaestrosORIGINAL1015456770.2022.pdf1015456770.2022.pdfTesis de Maestría en Ciencias - Estadísticaapplication/pdf5172220https://repositorio.unal.edu.co/bitstream/unal/82018/3/1015456770.2022.pdf5bdd92841118db5d96cc4e3a1ce86965MD53LICENSElicense.txtlicense.txttext/plain; charset=utf-84074https://repositorio.unal.edu.co/bitstream/unal/82018/4/license.txt8153f7789df02f0a4c9e079953658ab2MD54THUMBNAIL1015456770.2022.pdf.jpg1015456770.2022.pdf.jpgGenerated Thumbnailimage/jpeg4413https://repositorio.unal.edu.co/bitstream/unal/82018/5/1015456770.2022.pdf.jpgb75bd5b005d1367434cb040c1327ee90MD55unal/82018oai:repositorio.unal.edu.co:unal/820182023-08-07 23:03:54.903Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.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