Regresión lineal con errores no normales: secante hiperbólica generalizada
Fecha
2014-12-19
Autores
Burbano Moreno, Álvaro Alexander
Melo Martinez, Oscar Orlando
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad EAFIT
Resumen
Descripción
This paper presents a study of the model of linear regression of the type y = Θx + e, where the error has generalized hyperbolic secant distribution (GHS) -- The method to estimate the parameters are obtained by setting maximum likelihood expressing the non-linear equations in linear form (modified likelihood) -- The resulting estimators are analytical expressions in terms of values of the sample and, therefore, are easily calculables -- Through the application of various types of data, the methodology described above is shown, and plausible models against the true underlying distributions of data are
En este trabajo se presenta un estudio del modelo de regresión lineal del tipo y = Θx+e, donde el error tiene distribución Secante Hiperbólica Generalizada (SHG) -- El método para estimar los parámetros se obtienen mediante una configuración de máxima verosimilitud expresando las ecuaciones no lineales en forma lineal (Verosimilitud Modificada) -- Los estimadores resultantes son expresiones analíticas en términos de valores de la muestra y, por lo tanto, son fácilmente calculables -- Mediante la aplicación de varios tipos de datos, se muestra la metodología descripta anterior, y se obtienen modelos plausibles frente a las verdaderas distribuciones subyacentes de los datos
En este trabajo se presenta un estudio del modelo de regresión lineal del tipo y = Θx+e, donde el error tiene distribución Secante Hiperbólica Generalizada (SHG) -- El método para estimar los parámetros se obtienen mediante una configuración de máxima verosimilitud expresando las ecuaciones no lineales en forma lineal (Verosimilitud Modificada) -- Los estimadores resultantes son expresiones analíticas en términos de valores de la muestra y, por lo tanto, son fácilmente calculables -- Mediante la aplicación de varios tipos de datos, se muestra la metodología descripta anterior, y se obtienen modelos plausibles frente a las verdaderas distribuciones subyacentes de los datos