Una aproximación Bayesiana para la predicción del punto de cambio en un escenario longitudinal
Spa: Los modelos Bayesianos han sido ampliamente utilizados para la predicción del valor de una variable respuesta en función de algunas covariables. La diferencia entre el enfoque paramétrico y el enfoque Bayesiano es que en este último los parámetros asociados al modelo se tratan como variables al...
| Main Authors: | , , |
|---|---|
| Format: | Documento de Conferencia |
| Language: | spa |
| Published: |
2021
|
| Online Access: | http://repositorio.uptc.edu.co/handle/001/5545 |
| Summary: | Spa: Los modelos Bayesianos han sido ampliamente utilizados para la predicción del valor de una variable respuesta en función de algunas covariables. La diferencia entre el enfoque paramétrico y el enfoque Bayesiano es que en este último los parámetros asociados al modelo se tratan como variables aleatorias asignando a cada uno de estos una forma distribucional conocida o construida por elicitación a fin de predecir de una manera precisa el valor de interés. El proceso de predicción considera la distribución posterior construida como la distribución conjunta para todos los parámetros insertos en el modelo a partir de la distribución conjunta de los mismos dado que se conoce la información. El proceso de optimización se realiza a través de métodos MCMC, un método iterativo cuya eficiencia ha sido bien estudiada por múltiples autores. La estimación de modelos Bayesianos jerárquicos longitudinales fue propuesta a finales de los años 80s. Esta propuesta considera la estimación de un modelo jerárquico longitudinal considerando un punto de
cambio continuo para cada uno de los sujetos presentes en el estudio, centrando en su atención en las regiones de alta densidad de probabilidad para los parámetros de la función que permitirá una predicción del punto de cambio. |
|---|
