Estimación de puntos de cambio para modelos lineales mixtos: una solución usando algoritmos evolutivos

Identifying change points for linear mixed models: a solution through evolutionary algorithms

Contenido principal del artículo

Ehidy Karime Garcia-Cruz
Hugo Fernando Castro-Silva
Juan Carlos Salazar-Uribe

Resumen

Los modelos matemáticos han sido usados para describir la relación entre dos o más variables o características de la población objetivo. En el campo de la estadística el modelo de regresión lineal simple han sido aplicados ampliamente y sus propiedades son bien conocidas. Sin embargo, este tipo de modelos no tiene aplicación an algunos casos como en el escenario longitudinal. Los modelos lineales mixtos (LMMs) son de utilidad cuando las medidas han sido registradas en un intervalo de tiempo. Uno de los más importantes supuestos, para los dos modelos, ha sido el establecer que el modelo se mantiene invariante sobre todo el intervalo de regresión. En caso contrario, se puede encontrar uno o varios puntos de cambio en los cuales el modelo cambia (media, varianza o simultaneamente media - varianza). Esta propuesta permite estimar los puntos de cambio sujeto-específicos que permiten la minimización de una función de riesgo o pérdida asociada al modelo en mención.

Palabras clave:

Descargas

Los datos de descargas todavía no están disponibles.

Detalles del artículo

Referencias (VER)

D. A. Harville, “Bayesian inference for variance components using only error contrasts,” Biometrika, vol. 61, no. 2, pp. 383–385, 1974.

——, “Maximum likelihood approaches to variance component estimation and to related problems,” Journal of the American Statistical Association, pp. 320–338, 1977.

G. A. Seber and A. J. Lee, Linear regression analysis. John Wiley & Sons. New Jersey, 2003, vol. 936.

X. Yan, Linear regression analysis: theory and computing. World Scientific, 2009.

C. R. Rao, Linear statistical inference and its applications. John Wiley & Sons, 1973, vol. 2nd.Ed.

B. T. West, K. B. Welch, and A. T. Galecki, Linear mixed models: a practical guide using statistical software. Chapman & Hall, 2007.

G. Verbeke and G. Molenberghs, Linear mixed models for longitudinal data. Springer Science & Business Media, 2009.

J. Correa and J. Salazar, Introduction to mixed models. Universidad Nacional de Colombia Campus Medellín, 2016.

J. C. Pinheiro and D. M. Bates, Mixed-effects models in S and S-PLUS. Springer Science & Business Media, 2000.

G. M. Fitzmaurice, N. M. Laird, and J. H. Ware, Applied longitudinal analysis. John Wiley & Sons, 2008, vol. 998.

J. Hofrichter, Change point detection in generalized linear models.Graz University of Technology. doi:http://www.stat.tugraz.at/dthesis/Hofrichter07.pdf. Accessed on: 2015/04/22, 2007.

H. Küchenhoff, “An exact algorithm for estimating breakpoints in segmented generalized linear models,” 1996.

D. V. Hinkley, “Inference about the change-point in a sequence of random variables,” Biometrika, pp. 1–17, 1970.

R. Henderson, “Change-point problem with correlated observations, with an application in material accountancy,”

Technometrics, vol. 28, no. 4, pp. 381–389, 1986.

S. B. Fotopoulos, V. K. Jandhyala, and E. Khapalova, “Exact asymptotic distribution of change-point mle for change in the mean of gaussian sequences,” The Annals of Applied Statistics, pp. 1081–1104, 2010.

V. M. Muggeo, “Segmented: an r package to fit regression models with broken-line relationships,” R news, vol. 8, no. 1, pp. 20–25, 2008.

D. Sonderegger and M. D. Sonderegger, “R package: Sizer,” 2011.

R. Killick and I. Eckley, “changepoint: An r package for changepoint analysis,” Journal of Statistical Software, vol. 58, no. 3, pp. 1–19, 2014.

Y. Lai and P. Albert, “Identifying multiple change points in a linear mixed effects model,” Statist. Med, vol. 33, pp. 1015 – 1028. doi: 10.1002/sim.5996, 2014.

E. K. García, J. C. Correa, and J. C. Salazar, “A calibration function built from change points: a review,”

Comunicaciones en Estadí stica, vol. 10, no. 1, pp. 113–128, 2017.

K. Price, R. M. Storn, and J. A. Lampinen, Differential evolution: a practical approach to global optimization. Springer Science & Business Media, 2006.

A. E. Eiben and J. E. Smith, Introduction to evolutionary computing. Springer, 2003, vol. 53.

C. C. Coello, G. B. Lamont, and D. A. Van Veldhuizen, Evolutionary algorithms for solving multi-objective problems. Springer Science & Business Media, 2007.

K. C. Tan, E. F. Khor, and T. H. Lee, Multiobjective evolutionary algorithms and applications. Springer Science & Business Media, 2006.

T. Back, Evolutionary algorithms in theory and practice: evolution strategies, evolutionary programming, genetic algorithms. Oxford university press, 1996.

E. Willighagen, M. Ballings, and M. M. Ballings, “Package genalg,” 2015.

K. M. Mullen, D. Ardia, D. L. Gil, D. Windover, and J. Cline, “Deoptim: An r package for global optimization by differential evolution,” 2009.

D. Eddelbuette, B. Peterson, J. Ulrich, and Eddelbuette, “Rcppde: extending deoptim,” 2016.

S. Botero, “Secado de la madera cipres para uso industrial: estibas, molduras y muebles,” Bachelor Thesis, Tesis Universidad Nacional de Colombia. Sede Medellin. Facultad de Ciencias agropecuarias, May 1993.

Artículos más leídos del mismo autor/a