Resumen de Metodología para mejorar la predicción de parámetros de distribuciones diamétricas

Juan Manuel Torres Rojo, Octavio S. Magaña-Torres, Miguel Acosta Mireles

• español

  La predicción de parámetros es un procedimiento ampliamente usado para predecir distribuciones de variables aleatorias a través de un conjunto de variables exógenas relacionadas con la distribución. Uno de los procedimientos de predicción usa modelos lineales, cuyos ajustes generalmente son pobres y en la mayoría de la veces se violan algunos supuestos básicos del modelo de regresión lineal. Se presenta una comparación entre la forma tradicional de ajuste de los modelos de predicción de parámetros y un procedimiento donde se corrige el problema de endogeneidad del sistema de ecuaciones de predicción, así como la violación de los supuestos de normalidad, homoscedasticidad y ausencia de correlación de errores. Ambos procedimientos se comparan con distribuciones diamétricas no usadas en el ajuste y provenientes de la misma población. Los resultados muestran que ambos procedimientos proporcionan estimadores significativamente similares y que los modelos de predicción corregidos, a pesar de tener menor bondad de ajuste, brindan mejores predicciones. De aquí que las correcciones a violaciones de los supuestos básicos del modelo lineal mejoran las relaciones que deben conservar los parámetros para recuperar las funciones de densidad reales.

• English

  Parameter prediction is a procedure widely used to recover density functions of random variables from a set of exogenous variables related to the distribution. One of the prediction procedures uses linear models whose fits are generally poor and most of them violate some basic assumptions for the linear regression model. This paper compares the traditional procedure of fitting parameter prediction models with a proposed procedure where the problem of endogeneity in the system of equations is corrected, as well as the violation of assumptions of normality, homoscedasticity and no autocorrelation in the error term. Both procedures are compared with distributions not used to fit the models and which are from the same population. Results show that both procedures yield significantly similar estimates and that the set of parameters estimated from the corrected prediction models yield better predictions, although their goodness of fit is lower than the traditionally estimated parameters. Hence, corrections to the linear model assumptions improve the relationships that the parameters must maintain in order to recover the actual density function.