Influencia de los valores locales en los diseños cD-óptimos para el modelo logístico

  • Víctor Ignacio López-Ríos Universidad Nacional de Colombia
  • David Felipe Sosa-Palacio Universidad Nacional de Colombia
Palabras clave: Regresión Logística, diseños óptimos compuestos, criterios de optimalidad, robusticidad

Resumen

En el diseño de experimentos es común el no uso de criterios para determinar los tratamientos y el número de réplicas que se deben realizar para la obtención de una buena estimación de los parámetros del modelo, debido principalmente al desconocimiento de estos y en muchas otras ocasiones por la dificultad en implementarlos. Los diseños óptimos tratan de resolver esta falencia al dar condiciones experimentales óptimas y los niveles de los factores donde se debe medir la respuesta, con el fin de obtener una mejora en la calidad de la inferencia estadística a un menor costo. En la búsqueda de diseños óptimos se utilizan criterios de optimalidad, los cuales son función de la matriz de información de Fisher. Uno de los problemas de estimación más frecuente en los modelos no lineales es la especificación de los valores locales para los parámetros del modelo, necesarios para la optimización del criterio de optimalidad. En este artículo se realiza un estudio de robustez de los diseños óptimos obtenidos en el modelo logístico, al considerar perturbaciones en los valores locales de los parámetros, con el fin de proporcionar al investigador un rango de maniobrabilidad en la selección de los valores locales y garantizando que el diseño óptimo resultante no pierda una eficiencia considerable con respecto al valor de referencia. Para ello, a partir de los datos de un ejemplo, se encuentran las eficiencias de cada uno de los diseños obtenidos con relación al valor sin perturbar; se construyen los diseños cD-óptimos locales para la estimación de la varianza del logit, se determinó que la magnitud de la perturbación en los diseños cD-óptimos locales obtenidos alcanzan una eficiencia alrededor de un 70 %, con un radio de 0.04 de perturbación sobre el valor de referencia.

Biografía del autor/a

Víctor Ignacio López-Ríos, Universidad Nacional de Colombia

PhD. en Estadística, Profesor Asociado, Escuela de Estadística, Grupo de Investigación en Estadística, Universidad Nacional de Colombia, Medellín-Colombia

David Felipe Sosa-Palacio, Universidad Nacional de Colombia

MSc. en Ciencias-Estadística, Escuela de Estadística, Universidad Nacional
de Colombia, Medellín-Colombia

Referencias bibliográficas

[1] J. King and W.-K. Wong, “Minimax D-Optimal Designs for the Logistic Model,” Biometrics, vol. 56, no. 4, pp. 1263–1267, Dec. 2000.
[2] J. Kiefer, “Optimum Experimental Designs,” J. R. Stat. Soc., vol. 21, no. 2, pp. 272–319, 1959.
[3] K. Smith, “On the Standard Deviations of Adjusted and Interpolated Values of an Observed Polynomial Function and its Constants and the Guidance they give Towards a Proper Choice of the Distribution of Observations,” Biometrika, vol. 12, no. 1, p. 1, Nov. 1918.
[4] V. I. López and R. Ramos, “Una introducción a los diseños óptimos,” Rev. Colomb. Estadística, vol. 30, no. 1, pp. 37–51, 2007.
[5] T. Mathew and B. K. Sinha, “Optimal designs for binary data under logistic regression,” J. Stat. Plan. Inference, vol. 93, no. 1–2, pp. 295–307, Feb. 2001.
[6] P. Parsa Maram and H. Jafari, “Bayesian D-optimal design for logistic regression model with exponential distribution for random intercept,” J. Stat. Comput. Simul., vol. 86, no. 10, pp. 1856–1868, Jul. 2016.
[7] L. M. Haines, G. Kabera, P. Ndlovu, and T. E. O’Brien, “D-optimal Designs for Logistic Regression in Two Variables,” in mODa 8 - Advances in Model-Oriented Design and Analysis, Heidelberg: Physica-Verlag HD, pp. 91–98.
[8] M. A. Heise and R. H. Myers, “Optimal Designs for Bivariate Logistic Regression,” Biometrics, vol. 52, no. 2, p. 613, Jun. 1996.
[9] T. E. O’Brien and G. M. Funk, “A Gentle Introduction to Optimal Design for Regression Models,” Am. Stat., vol. 57, no. 4, pp. 265–267, Nov. 2003.
[10] V. V. Fedorov and P. Hackl, Model-Oriented Design of Experiments, 1st ed., vol. 125. New York, NY: Springer New York, 1997.
[11] S. D. Silvey, Optimal Design. Dordrecht: Springer Netherlands, 1980.
[12] A. Atkinson, A. Donev, and R. Tobias, Optimum Experimental Designs with SAS. OUP UK, 2007.
[13] J. Kiefer and J. Wolfowitz, “The equivalence of two extremum problems,” Can. J. Math., vol. 12, pp. 363–366, Jan. 1960.
[14] P. Whittle, “Some general points in the theory of optimal experimental design,” R. Stat. Soc., vol. 35, no. 1, pp. 123–130, 1973.
[15] C. F. Restrepo and V. I. López Ríos, “Elección de la constante de ponderación en diseños cD- óptimos compuestos,” Ing. y Cienc., vol. 9, no. 18, pp. 107–130, 2013.
[16] H. Chernoff, “Locally optimal designs for estimating parameters,” Ann. Math. Stat., vol. 24, no. 4, pp. 586–602, 1953.
[17] I. Ford, B. Torsney, and C. F. . Wu, “The Use of a canonical Form in the Construction of Locally Optimal Designs For Nonlinear Problems,” R. Stat. Siciety, vol. 54, no. 2, pp. 569–583, 1992.
[18] H. Dette, V. B. Melas, and A. Pepelyshev, “Optimal designs for a Class of Nonlinear Regression Models,” Ann. Stat., vol. 32, no. 5, pp. 2114–2167, 2004.
[19] H. Dette, V. B. Melas, and W. K. Wong, “Optimal Design for Goodness-of-Fit of the Michaelis–Menten Enzyme Kinetic Function,” J. Am. Stat. Assoc., vol. 100, no. 472, pp. 1370–1381, Dec. 2005.
[20] D. W. Hosmer and S. Lemeshow, Applied Logistic Regression, 2nd ed. John Wiley & Sons Inc, 2000.
[21] R. D. C. Team, “R: A Language and Environment for Statistical Computing,” 2011. [Online]. Available: https://www.gbif.org/tool/81287/r-a-language-and-environment-for-statistical-computing
Cómo citar
[1]
V. I. López-Ríos y D. F. Sosa-Palacio, «Influencia de los valores locales en los diseños cD-óptimos para el modelo logístico», TecnoL., vol. 21, n.º 43, pp. 147–157, sep. 2018.

Descargas

Los datos de descargas todavía no están disponibles.
Publicado
2018-09-14
Sección
Artículos

Métricas

Crossref Cited-by logo