Estimación de la matriz de covarianza no-fronteriza en modelos de efectos mixtos lineales generalizados utilizando...

Área de la Ciencia:

• Estadísticas Estadísticas Las estadísticas.
• Modelado Estadístico Modelado Estadístico

Sus antecedentes:

• La estimación de la probabilidad máxima en modelos de efectos mixtos lineales generalizados puede enfrentar desafíos numéricos debido a las estimaciones límite de las matrices de covarianza de efectos aleatorios.
• Estos problemas de frontera tienen un impacto negativo en la inferencia estadística y la estabilidad del modelo.

Objetivo del estudio:

• Desarrollar un método de estimación penalizado para matrices de covarianza de efectos aleatorios en modelos generalizados de efectos mixtos lineales.
• Para abordar los desafíos numéricos y mejorar la precisión de la estimación de la matriz de covarianza.

Principales métodos:

• Se introdujeron sanciones a la función de probabilidad utilizando priores condicionalmente conjugados para las matrices de covarianza o precisión de efectos aleatorios.
• Sanciones representadas como pseudo-observaciones para integrar el método en el software de máxima probabilidad existente.
• Desarrolló un procedimiento para construir pseudoobservaciones y un método basado en datos para establecer parámetros de penalización.

Principales resultados:

• El enfoque penalizado propuesto demostró una mejor estimación de las matrices de covarianza de efectos aleatorios en estudios de simulación.
• El método mostró un mejor rendimiento en comparación con los métodos de la competencia bajo escenarios realistas.
• Aplicó con éxito el enfoque a datos del mundo real, confirmando su utilidad práctica.

Conclusiones:

• El método de probabilidad penalizada mitiga efectivamente los problemas de estimación de límites en las matrices de covarianza de efectos aleatorios.
• El uso de pseudoobservaciones simplifica la implementación dentro del software estadístico estándar.
• La selección de parámetros de penalización basada en datos mejora la aplicabilidad del método cuando la información previa es limitada.