La falta de datos en las variables explicativas de los modelos lineales generalizados es un problema com???n que se ha estudiado por muchos a???os y se han propuesto diversos m???todos para enfrentarlo. Entre estos m???todos, un procedimiento basado en modelos como lo es m???xima verosimilitud, representa una metodolog???a de estimaci???n de par???metros s???lida y flexible, ya que la funci???n de verosimilitud est??? disponible en forma computable. Sin embargo, para lograr esto ???ltimo, es necesario modelar adecuadamente ...
Read More
La falta de datos en las variables explicativas de los modelos lineales generalizados es un problema com???n que se ha estudiado por muchos a???os y se han propuesto diversos m???todos para enfrentarlo. Entre estos m???todos, un procedimiento basado en modelos como lo es m???xima verosimilitud, representa una metodolog???a de estimaci???n de par???metros s???lida y flexible, ya que la funci???n de verosimilitud est??? disponible en forma computable. Sin embargo, para lograr esto ???ltimo, es necesario modelar adecuadamente las distribuciones conjuntas tanto de las variables explicativas parcialmente observadas, como de las correspondientes variables indicadoras de p???rdida de datos. En este trabajo, se propone una nueva metodolog???a basada en modelos para el an???lisis de regresi???n de modelos lineales generalizados cuando las variables explicativas parcialmente observadas son categ???ricas. La propuesta consiste en usar construcciones con c???pulas pareadas bivariadas como una herramienta vers???til para facilitar el modelado de distribuciones conjuntas multivariadas de alta dimensi???n.
Read Less
