Componentes principales robustas: una aplicación a localidades de la provincia de santa fe

Vista sencilla de ítem
dc.citation.titleDecimonovenas Jornadas "Investigaciones en la Facultad" de Ciencias Económicas y Estadística de la Universidad Nacional de Rosarioes
dc.contributor.organizerSecretaría de Ciencia y Tecnología. Facultad de Ciencias Económicas y Estadística. Universidad Nacional de Rosarioes
dc.creatorBussi, Javier
dc.creatorMarí, Gonzalo Pablo Domingo
dc.creatorMéndez, Fernanda
dc.date.accessioned2017-07-06T12:42:00Z
dc.date.available2017-07-06T12:42:00Z
dc.date.issued2014-11
dc.description.abstractEn este trabajo se presentó un análisis de componentes principales robusto a partir de los estimadores MM. Por otro lado, se consideró el método Bootstrap Rápido y Robusto para estimar intervalos de confianza para la proporción de variancia explicada de las componentes, y para calcular los límites de confianza de las cargas de las componentes principales robustas. Se desarrolló una aplicación de estos métodos a datos correspondientes a indicadores de carencias de comunas de la provincia de Santa Fe provenientes del Censo Nacional de Población, Hogares y Viviendas 2010, con el objetivo de lograr una estratificación de las mismas para un futuro marco de muestreo. A partir de la primera componente robusta se construyó un Índice de carencias, a partir del cual se estratificó a las comunas en cinco estratos a partir del método geométrico, el cual es apropiado para poblaciones asimétricas. Se observó que el estrato al cual pertenecen las comunas está relacionado con el nodo donde se encuentran ubicadas, encontrándose que a medida que uno se mueve de sur a norte en la provincia, las comunas tienden a tener mayores carenciases
dc.description.abstractPrincipal components analysis (PCA) is a widely used technique within multivariate statistical methods. The purpose of this technique is adequately representing a set of n observations and p variables through fewer variables constructed as linear combinations of the original ones. It is based on the calculation of eigenvalues and eigenvectors of the covariance (or correlation) matrix. The presence of outliers in the data can distort the sample covariance matrix. Therefore various ways have been proposed to deal with this difficulty using robust techniques. The Bootstrap inference applied to classical robust estimators requires fewer assumptions but involves high computational cost and a loss of robustness in the presence of outliers. An alternative computationally simpler and more resistant to the presence of outliers is the Fast and Robust Bootstrap (FRB). The use of the robust principal components method and the robust bootstrap inference is illustrated on a dataset of indicators of critical needs of communes of the province of Santa Fe from the National Census Population and Housing 2010.
dc.description.filFil: Bussi, Javier Facultad Ciencias Económicas y Estadística; Universidad Nacional de Rosario; Argentinaes
dc.formatapplication/pdf
dc.identifier.issn1668-5008es
dc.identifier.urihttp://hdl.handle.net/2133/7502
dc.language.isospaes
dc.rightsopenAccesses
dc.rights.holderFacultad Ciencias Económicas y Estadística, Universidad Nacional de Rosario; Argentinaes
dc.rights.textAtribución – No Comercial – Compartir Igual (by-nc-sa)es
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/2.5/ar/*
dc.subjectComponentes Principaleses
dc.subjectEstimadores MMes
dc.subjectBoostrap Rápido y Robustoes
dc.subjectBoostrap
dc.titleComponentes principales robustas: una aplicación a localidades de la provincia de santa fees
dc.typeconferenceObject
dc.typedocumento de conferencia
dc.typeacceptedVersion
dc.type.collectioncomunicaciones
dc.type.versionacceptedVersiones

Archivos

Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
Bussi, Mari, Mendez_componentes principales robustas.pdf
Tamaño:
755.69 KB
Formato:
Adobe Portable Document Format
Descripción:
El análisis de componentes principales (ACP) es una técnica muy utilizada dentro de los métodos estadísticos multivariados. El objetivo de este método es representar adecuadamente un conjunto de n observaciones con p variables a través de un número menor de variables construidas como combinaciones lineales de las originales. Se basa en el cálculo de autovalores y autovectores de la matriz de covariancias (o correlaciones). La presencia de valores atípicos en los datos puede distorsionar la matriz de covariancias muestrales. Por este motivo se han propuesto diversas formas de tratar esta dificultad a partir de técnicas robustas. La inferencia que utiliza métodos bootstrap clásicos aplicados a estimadores robustos requiere menos supuestos pero implica un alto costo computacional y una pérdida de robustez ante la presencia de observaciones atípicas. Una alternativa computacionalmente más sencilla y resistente a la presencia de outliers es el Boostrap Rápido y Robusto (FRB: Fast and Robust Bootstrap). Se presenta una aplicación del uso del método de componentes principales robusto y la inferencia a partir del método bootstrap robusto a datos de indicadores de carencias críticas provenientes del Censo Nacional Población, Hogares y Viviendas 2010.
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
Nombre:
license.txt
Tamaño:
3.14 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

FCEyE 2014 - Actas Jornadas Anuales - Decimonovenas: 27 y 28-11-2014