Estimação robusta para a distribuição Skew-t
DOI:
https://doi.org/10.5540/03.2023.010.01.0045Palavras-chave:
Algoritmo EM, Distribuição Skew-t, Método de Máxima Verossimilhança Lq, RobustezResumo
Neste trabalho, consideramos métodos robustos na presença de outliers, propondo um novo algoritmo Esperança-Maximização (EM), para obter os estimadores de máxima verossimilhança (ML) para todos os parâmetros da Skew-t (ST), denotado por EMq (algoritmo da Esperança- Maximização com a verossimilhança Lq ), isto é, que aborda MLq dentro da estrutura EM. Ao fazer isso, herdamos a robustez dos estimadores obtidos por MLq e o tornamos disponível no contexto do modelo ST. Assim, obtemos estimadores duplamente reponderados para todos os parâmetros da distribuição ST.
Downloads
Referências
A. Lucas. “Robustness of the student t based M-estimator”. Em: Communications in Statistics-Theory and Methods 26.5 (1997), pp. 1165–1182.
M. D. Branco e D. K. Dey. “A general class of multivariate skew-elliptical distributions”. Em: Journal of Multivariate Analysis 79.1 (2001), pp. 99–113.
D. C Montgomery, E. A. Peck e G. G. Vining. Introduction to linear regression analysis. John Wiley & Sons, 2021.
A. Azzalini e A. Capitanio. “Distributions generated by perturbation of symmetry with emphasis on a multivariate skew t-distribution”. Em: Journal of the Royal Statistical Society: Series B (Statistical Methodology) 65.2 (2003), pp. 367–389.
D. Ferrari. Maximum Lq-likelihood estimation. University of Minnesota, 2008.
J. Havrda e F. Charvát. “Quantification method of classification processes. Concept of structural a-entropy”. Em: Kybernetika 3.1 (1967), pp. 30–35.
C. Tsallis. “Possible generalization of Boltzmann-Gibbs statistics”. Em: Journal of statistical physics 52 (1988), pp. 479–487.
Y. Qin e C. E. Priebe. “Maximum L q-Likelihood estimation via the Expectation-Maximization algorithm: a robust estimation of mixture models”. Em: Journal of the American Statistical Association 108.503 (2013), pp. 914–928.
F. R. Hampel, E. M. Ronchetti, P. Rousseeuw e W. A. Stahel. Robust statistics: the approach based on influence functions. Wiley-Interscience; New York, 1986.
R. D. Cook e S. Weisberg. An introduction to regression graphics. Vol. 405. John Wiley & Sons, 2009.
B. Efron. “Computers and the theory of statistics: thinking the unthinkable”. Em: SIAM review 21.4 (1979), pp. 460–480.
S. Y. Lee, B. Lu e X. Y. Song. “Assessing local influence for nonlinear structural equation models with ignorable missing data”. Em: Computational statistics & data analysis 50.5 (2006), pp. 1356–1377.
F. Z. Doğru, Y. M. Bulut e O. Arslan. “Doubly reweighted estimators for the parameters of the multivariate t-distribution”. Em: Communications in Statistics-Theory and Methods 47.19 (2018), pp. 4751–4771.
R Developement Core Team. “A language and environment for statistical computing”. Em: http://www. R-project. org (2009).
M. O. Prates, V. H. Lachos e C. R. B. Cabral. “mixsmsn: Fitting finite mixture of scale mixture of skew-normal distributions”. Em: Journal of Statistical Software 54 (2013), pp. 1–20.
