1Universidad de São Paulo, Instituto de Matemática y Estadística, Departamento de Estadística, São Paulo, Brasil. Estudiante de doctorado. Email: rfarias@ime.usp.br
2Universidad de São Paulo, Instituto de Matemática y Estadística, Departamento de Estadística, São Paulo, Brasil. Universidad Industrial de Santander (UIS), Escuela de Matemáticas, Bucaramanga, Colombia. Profesor asistente. Email: gmorenoa@uis.edu.co
3Universidad de São Paulo, Instituto de Matemática y Estadística, Departamento de Estadística, São Paulo, Brasil. Estudiante de doctorado. Email: patriota@ime.usp.br
En muchos problemas de inferencia estadística existe interés en estimar solamente algunos elementos del vector de parámetros que definen el modelo adoptado. Generalmente, esos elementos están asociados a las medidas de localización, y los parámetros adicionales -que en la mayoría de las veces están en el modelo solo para controlar la dispersión o la asimetría- son conocidos como parámetros de perturbación o de incomodidad ({\it nuisance parameters}) de las distribuciones subyacentes. Es común estimar todos los parámetros del modelo y hacer inferencias exclusivamente para los parámetros de interés. Dependiendo del modelo adoptado, este procedimiento puede ser muy costoso, tanto algebraica como computacionalmente, por lo cual conviene reducirlo para que dependa únicamente de los parámetros de interés. En este artículo, hacemos una revisión de los métodos de estimación en la presencia de parámetros de perturbación y consideramos algunas aplicaciones en modelos recientemente discutidos en la literatura.
Palabras clave: estimación, parámetro de perturbación, función deverosimilitud, suficiencia, información auxiliar.
In many statistical inference problems, there is interest in estimation of only some elements of the parameter vector that defines the adopted model. In general, such elements are associated to measures of location and the additional terms, known as nuisance parameters, to control the dispersion and asymmetry of the underlying distributions. To estimate all the parameters of the model and to draw inferences only on the parameters of interest. Depending on the adopted model, this procedure can be both algebraically is common and computationally very costly and thus it is convenient to reduce it, so that it depends only on the parameters of interest. This article reviews estimation methods in the presence of nuisance parameters and consider some applications in models recently discussed in the literature.
Key words: Estimation, Nuisance parameter, Likelihood function, Sufficiency, Ancillarity.
Texto completo disponible en PDF
Referencias
1. Azzalini, A. (1985), `A Class of Distributions which Includes the Normal Ones´, Scandinavian Journal of Statistics 12, 171-178.
2. Barndorff-Nielsen, O. (1983), `On a Formula for the Distribution of the Maximum Likelihood Estimator´, Biometrika 70, 343-365.
3. Barndorff-Nielsen, O. (1991), Likelihood Theory, Chapman and Hall, London, England.
4. Cordeiro, G. (1992), Introdução à Teoria de Verossimilhança, `10 Simpósio Nacional de Probabilidade e Estatística´, Rio de Janeiro, Brazil publisher Universidade Federal do Rio de Janeiro.
5. Cox, D. R. & Reid, N. (1987), `Parameter Orthogonality and Approximate Conditional Inference (with Discussion)´, Journal The Royal Statistical Society: Series B 49, 1-39.
6. Cox, D. R. & Reid, N. (1992), `A Note on the Difference Between Profile and Modified Profile Likelihood´, Biometrika 79, 408-411.
7. Durrans, S. R. (1992), `Distributions of Fractional Order Statistics in Hydrology´, Water Resources Research 28, 1649-1655.
8. Fuller, W. A. (1987), Measurement Error Models, Wiley, New York, United States.
9. Halmos, P. R. & Savage, L. J. (1949), `Application of the Radon-Nikodym Theorem to the Theory of Sufficient Statistics´, Annals of Mathematics Statistics 20, 225-241.
10. Hinde, J. & Aitkin, M. (1987), `Canonical Likelihoods: A New Likelihood Treatment of Nuisance Parameters´, Biometrika 74, 45-58.
11. Jones, M. C. (2004), `Families of Distributions Arising from Distributions of Order Statistics´, Test 13, 1-43.
12. Jorgensen, B. (1993), `A Review of Conditional Inference: Is there a Universal Definition of Noinformation?´, Bulletin of International Statistical Institute 55,2, 323-340.
13. Lehmann, E. L. & Casella, G. (1998), Theory of Point Estimation, Springer-Verlag, New York, United States.
14. Lindsey, J. K. (1996), Parametric Statistical Inference, Clarendon Press, Oxford, England.
15. Mak, T. K. (1982), `Estimation in the Presence of Incidental Parameters´, The Canadian Journal of Statistics, La Revue Canadienne de Statistique 10-2, 121-132.
16. McCullagh, P. & Tibshirani, R. (1990), `A Simple Method for the Adjustment of Profile Likelihoods´, Journal The Royal Statistical Society: Series B 52, 325-344.
17. Neyman, J. & Scott, E. L. (1948), `Consistent Estimates Based on Partially Consistent Observations´, Econometrica 16-1, 1-32.
18. Pace, L. & Salvan, A. (1997), Principles of Statistical Inference, World Scientific, Singapore, Singapore.
19. Patefield, W. M. (1978), `The Unreplicated Ultrastructural Relation: Large Sample Properties´, Biometrika 65, 535-540.
Este artículo se puede citar en LaTeX utilizando la siguiente referencia bibliográfica de BibTeX:
@ARTICLE{RCEv32n1a06,
AUTHOR = {Farias, Rafael and Moreno, Germán and Patriota, Alexandre},
TITLE = {{Reducción de modelos en la presencia de parámetros de perturbación}},
JOURNAL = {Revista Colombiana de Estadística},
YEAR = {2009},
volume = {32},
number = {1},
pages = {99-121}
}