Ensambles de árboles aditivos bayesianos para regresiones cuantílicas compuestas

Área de la Ciencia:

• Las estadísticas
• Aprendizaje automático
• Las economías

Sus antecedentes:

• Modelos de regresión de cuantiles tradicionales cuantiles específicos.
• Los árboles de regresión aditiva bayesiana (BART) manejan relaciones complejas no lineales.
• La regresión cuántica compuesta (CQR) ofrece robustez a las distribuciones de error.

Objetivo del estudio:

• Desarrollar un nuevo método estadístico que integre BART y CQR.
• Mejorar el modelado de relaciones complejas predictor-resultado bajo diversas distribuciones de error.
• Mejorar el rendimiento predictivo en comparación con los métodos existentes.

Principales métodos:

• Integración de árboles de regresión aditiva bayesiana (BART) con regresión cuántica compuesta (CQR).
• Desarrollo de un método flexible para capturar toda la distribución condicional de la variable de respuesta.
• Aprovechando el modelado no lineal de BART y la robustez de CQR.

Principales resultados:

• El método BART compuesto propuesto demuestra un rendimiento predictivo superior.
• Supera el BART clásico, el BART cuántico y los modelos de regresión lineal cuántica compuesta.
• Obtiene una reducción significativa del error cuadrado medio de la raíz (RMSE, por sus siglas en inglés), particularmente bajo distribuciones de errores de cola pesada o contaminadas.

Conclusiones:

• El BART cuántico compuesto proporciona un enfoque robusto y flexible para el modelado estadístico.
• El método es particularmente ventajoso para conjuntos de datos con distribuciones de error no estándar.
• Ofrece mejoras sustanciales en la precisión predictiva con respecto a las técnicas establecidas.