Créditos ECTS Créditos ECTS: 5
Horas ECTS Criterios/Memorias Trabajo del Alumno/a ECTS: 85 Horas de Tutorías: 5 Clase Expositiva: 20 Clase Interactiva: 15 Total: 125
Lenguas de uso Castellano, Gallego
Tipo: Materia Ordinaria Máster RD 1393/2007 - 822/2021
Departamentos: Departamento externo vinculado a las titulaciones, Estadística, Análisis Matemático y Optimización
Áreas: Área externa M.U en Técnicas Estatísticas (2ªed), Estadística e Investigación Operativa
Centro Facultad de Matemáticas
Convocatoria: Primer semestre
Docencia: Con docencia
Matrícula: Matriculable
En esta materia se pretende dar a conocer las técnicas clásicas y recientes de contrastes de bondad de ajuste para la distribución y para la función de regresión. Se analizarán para ello las metodologías más importantes, que incluyen a los contrastes basados en procesos empíricos, los contrastes basados en técnicas de suavizado y otros tipos de contrastes. Se estudiarán los métodos más conocidos para resolver cada problema de contraste, al tiempo que se buscará una visión global sobre los múltiples trabajos existentes dentro de la temática de esta asignatura, de modo que se desarrolle la capacidad para la búsqueda, comprensión y profundización en líneas más específicas.
1. Introducción.
Elementos de un contraste de hipótesis. Contrastes paramétricos y no paramétricos. Propiedades del p-valor. El problema de la multiplicidad de contrates y posibles soluciones. Diseño de estudios de Monte Carlo.
2. Contrastes de bondad de ajsute para la distribución.
Revisión de herramientas gráficas: pp-plots y qq-plots. Contrastes basados en la función de distribución. Contrastes basados en la función de densidad. Contrastes basados en la función cuantil. Contrastes basados en la función característica.
3. Contrastes de normalidad.
Contrastes de especificación para modelos paramétricos particulares. Contrastes de normalidad univariante. Contrates de normalidad multivariante.
4. Contrastes de independencia y otros contrastes sobre la distribución.
Herramientas gráficas para detectar dependencia. Contrastes de independencia. Otros contrastes: contrastes de simetría, contraste de un posible punto de cambio.
5. Contrastes de especificación para modelos de regresión basados en la estimación de la función de regresión.
Visión general de las técnicas de suavizado en problemas de regresión. Aplicación a los contrastes sobre la función de regresión. Aproximaciones bootstrap.
6. Contrastes de especificación para modelos de regresión basados en la función de regresión integrada.
La función de regresión integrada. Descripción del test. Convergencia en distribución del proceso de contraste. Aproximaciones bootstrap de la distribución del proceso.
7. Otros contrastes sobre la regresión.
Contrastes de igualdad de curvas de regresión. Contrastes de significación de variables. Contrastes de homocedasticidad. Contrastes para la varianza condicional.
Libros:
Billingsley, P. (1968). Convergence of Probability Measures. Wiley.
Billingsley, P. (1999). Convergence of Probability Measures (2ª edición). Wiley.
Claeskens, G.; Hjort, N.L. (2008). Model Selection and Model Averaging. Cambridge University Press.
Conover, W.J. (1999). Practical Nonparameric Statistics (3ª edición). Wiley.
D'Agostino, R.B.; Stephens, M.A., eds. (1986). Goodness-of-Fit Techniques. Marcel Dekker, Inc.
Efron, B.; Tibshirani, R.J. (1993). An Introduction to the Bootstrap. Chapman and Hall.
Härdle, W. (1990). Applied Nonparametric Regression. Cambridge University Press.
Härdle, W.; Müller, M.; Sperlich, S.; Werwatz, A. (2004). Nonparametric and Semiparametric Models. Springer.
Hart, J. D. (1997). Nonparametric Smoothing and Lack-of-Fit Tests. Springer-Verlag, New York.
Huber-Carol, C.; Balakrishnan, N.; Nikulin, M.S.; Mesbah, M., eds. (2002). Goodness-of-Fit Tests and Model Validity. Birkhäuser.
Kvam, P.H.; Vidakovic, B. (2007). Nonparametric Statistics with Applications to Science and Engeneering. Wiley.
Rayner, J.C.W.; Thas, O.; Best, D.J. (2009). Smooth Tests of Goodness-of-Fit. Using R. Wiley.
Rohatgi, V.K. (1976). An Introduction to Probability Theory and Mathematical Statistics. Wiley.
Rohatgi, V.K. (1984). Statistical Inference. Wiley (Reeditado por Dover en 2003).
Thas, O. (2010). Comparing Distributions. Springer.
Thode, H.C. (2002). Testing for Normality. Marcel Decker, Inc.
Vélez Ibarrola, R.; García Pérez, A. (2012). Principios de Inferencia Estadística. UNED.
Wasserman, L. (2006). All of Statistics. A Concise Course in Statistical Inference. Springer.
Zhu, L.-X. (2005). Nonparametric Monte Carlo Tests and Their Applications. Lecture Notes in Statistics, vol. 182. Springer.
Artículos:
Ahmad, I.A.; Li, Q. (1997). Testing symmetry of an unknown density function by kernel method. Journal of Nonparametric Statistics 7, 279-293.
Bickel, P.J.; Rosenblatt, M. (1973). On some global measures of the deviations of density function estimates. The Annals of Statistics 1, 1071-1095.
Bierens, H.J. (1990). A consistent conditional moment test of functional form. Econometrica 58, 1443-1458.
Bierens, H.J.; Ploberger, W. (1997). Asymptotic theory of integrated conditional moment tests. Econometrica 65, 1129-1152.
Butler, C.C. (1969). A test for symmetry using the sample distribution function. The Annals of Mathematical Statistics 40, 2209-2210.
Cao, R.; Lugosi, G. (2005). Goodness-of-fit tests based on the kernel density estimator. Scandinavian Journal of Statistics 32, 599-616.
Csörgo, M.; Horváth, L. (1998). Invariance principles for changepoint problems. Journal of Multivariate Analysis 27, 151-168.
Delgado, M.A. (1993). Testing the equality of nonparametric regression curves. Statistics and Probability Letters 17, 199-204.
Delgado, M.A.; González Manteiga, W. (2001). Significance testing in nonparametric regression based on the bootstrap. The Annals of Statistics 29, 1469-1507.
Dette, H. (1999). A consistent test for the functional form of a regression based on a difference of variance estimators. The Annals of Statistics 27, 1012-1040.
Dette, H.; Munk, A. (2003). Some methodological aspects of validation of models in nonparametric regression. Statistica Neerlandica, 57 (2), 207-244.
Fan, Y. (1994). Testing the goodness-of-fit of a parametric density function by kernel method. Econometric Theory 10, 316-356.
Fan, Y.; Li, Q. (2000). Consistent model specification tests: kernel-based tests versus Bierens' ICM tests. Econometric Theory 16, 1016-1041.
Fisher, N.I..; and Switzer, P. (2001). Graphical assessment of dependence: is a picture worth 100 tests? The American Statistician, 55, 233-239.
Genest, C.; Boies, J.-C. (2003). Detecting dependence with Kendall plots. The American Statistician, 57, 275-284.
Gozalo, P. (1993). A consistent model specification test for nonparametric estimation of regression function models. Econometric Theory 9, 451-477.
González-Manteiga, W.; Crujeiras, R. M. (2013). An updated review of goodness-of-fit tests for regression models. TEST, 22, 361-411.
Härdle, W.; Mammen, E. (1993). Comparing nonparametric versus parametric regression fits. The Annals o Statistics 21, 1926-1947.
Henze, N. (2002). Invariant tests for multivariate normality: a critical review. Statistical Papers, 43, 467-506.
Horowitz, J.; Härdle, W. (1994). Testing a parametric model against a semi- parametric alternative. Econometric Theory 10, 821-848.
Li, Q.; Wang, S. (1998). A simple consistent bootstrap test for a parametric regression function. Journal of Econometrics 87, 145-165.
Lilliefors, H.W. (1967). On the Kolmogorov-Smirnov test for normality with mean and variance unknown. Journal of the American Statistical Association, 62, 399-402.
Lilliefors, H.W. (1969). On the Kolmogorov-Smirnov test for the Exponential distribution with mean unknown. Journal of the American Statistical Association, 64, 387-389.
Mann, H.B.; Whitney, D.R. (1947). On a test of whether one of two random variables is stochastically larger than the other. The Annals of Mathematical Statistics, 18, 50-60.
Massey, F.J. (1951). The Kolmogorov-Smirnov test for goodness of fit. Journal of the American Statistical Association, 46, 68-78.
Massey, F.J. (1951). The distribution of the maximum deviation between two sample cumulative step functions. The Annals of Mathematical Statistics, 22, 125-128.
Massey, F.J. (1952). Table for the deviation between two sample cumulatives. The Annals of Mathematical Statistics, 23, 435-441.
Miles, D.; Mora, J. (2003). On the performance of nonparametric specification tests in regression models. Computational Statistics and Data Analysis 42, 477- 490.
Pettitt, A.N. (1979). A nonparametric approach to the change-point problem. Journal of the Royal Statistical Society, Series C, 28, 126-135.
Rothman, E.D.; Woodroofe, M. (1972). A Cramér von-Mises type statistic for testing symmetry. The Annals of Mathematical Statistics, 43, 2035-2038.
Shapiro, S.S.; Wilk, M.B. (1965). An analysis of variance test for normality (complete samples). Biometrika, 52, 591-611.
Shapiro, S.S., Wilk, M.B.; Chen, H.J. (1968). A comparative study of various tests for normality. Journal of the American Statistical Association 63, 1343- 1372.
Stute, W. (1997). Nonparametric model checks for regression. The Annals of Statistics 25, 613-641.
Stute, W., González Manteiga, W.; Presedo Quindimil, M. (1998). Bootstrap approximations in model checks for regression. Journal o the American Statistical Association 93, 141-149.
Wilcoxon, F. (1945). Individual comparisons by ranking methods. Biometrics, 1, 80-83.
Zheng, J.X. (1996). A consistent test of functional form via nonparametric estimation techniques. Journal of Econometrics 75, 263-289.
COMPETENCIAS BÁSICAS, TRANSVERSALES, GENERALES Y ESPECÍFICAS
En esta materia se trabajarán las competencias básicas, generales y transversales recogidas en la memoria del título. Se indican a continuación cuáles son las competencias específicas que se potenciarán en esta materia:
[CE1] Conocer, identificar, modelar, estudiar y resolver problemas complejos de estadiìstica e investigacioìn operativa, en un contexto cientiìfico, tecnoloìgico o profesional, surgidos en aplicaciones reales.
[CE3] Adquirir conocimientos avanzados de los fundamentos teoìricos subyacentes a las distintas metodologiìas de la estadiìstica y la investigacioìn operativa, que permitan su desarrollo profesional especializado.
[CE4] Adquirir las destrezas necesarias en el manejo teoìrico-praìctico de la teoriìa de la probabilidad y las variables aleatorias que permitan su desarrollo profesional en el aìmbito cientiìfico/acadeìmico, tecnoloìgico o profesional especializado y multidisciplinar.
[CE5] Profundizar en los conocimientos en los fundamentos teoìrico-praìcticos especializados del modelado y estudio de distintos tipos de relaciones de dependencia entre variables estadiìsticas.
[CE6] Adquirir conocimientos teoìrico-praìcticos avanzados de distintas teìcnicas matemaìticas, orientadas especiìficamente a la ayuda en la toma de decisiones, y desarrollar la capacidad de reflexioìn para evaluar y decidir entre distintas perspectivas en contextos complejos.
[CE8] Adquirir conocimientos teoìrico-praìcticos avanzados de las teìcnicas destinadas a la realizacioìn de inferencias y contrastes relativos a variables y paraìmetros de un modelo estadiìstico, y saber aplicarlos con autonomiìa suficiente un contexto cientiìfico, tecnoloìgico o profesional.
METODOLOGÍA DOCENTE: ACTIVIDADES DE APRENDIZAJE Y SU VALORACIÓN EN CRÉDITOS ECTS
1.4 ECTS se dedicarán a docencia presencial (35 horas). De estas 35 horas, 25 se dedicarán a lección expositiva por parte del profesor, 8 a la realización de prácticas de ordenador para la ejecución de procedimientos de contraste de bondad de ajuste con datos reales y simulados, y 2 a la exposición de ejercicios por parte de los alumnos. Los 3.6 ECTS restantes serán no presenciales. De ellos, 1.6 ECTS estaría destinado al aprendizaje de los contenidos metodológicos, 1 ECTS a la resolución de los problemas prácticos, el manejo del software (esencialmente R) y la revisión bibliográfica, y 1 ECTS a la elaboración de los trabajos propuestos, que son parte del proceso de evaluación.
CRITERIOS Y MÉTODOS DE EVALUACIÓN
La evaluación se realizará de forma continua a través de trabajos y ejercicios a lo largo del curso. Se harán exposiciones orales de alguno de los trabajos realizados.
Las actividades propuestas para la evaluación serán de distinta naturaleza, de forma que permitan evaluar las distintas competencias a desarrollar en la materia:
- Resolución de problemas teóricos del ámbito de los contrastes de especifcación que permitirán evaluar las competencias CB7,CB9, CG4, CE4 y CE8.
- Aplicaciónes de los contrastes de especificación a problemas reales, las cuales permitirán evaluar las competencias CB6, CB7, CB8, CB9, CG1, CG2, CG5, CT2, CT3, CE1, CE3, CE4, CE5 y CE8.
- Diseño y análisis de estudios de Monte Carlo, los cuales permitirán evaluar las completencias CB6, CB8, CB9, CG2, CG3, CG5, CT1, CT2, CT3, CE6 y CE8.
- Estudio de publicaciones recientes sobre contrastes de especificación, lo que permitirá evaluar las competencias CB8, CB9, CB10, CG3, CT1, CT2, CT3, CT4, CT5, CE4, CE6 y CE8.
- Exposiciones orales individuales y en grupo que permitirán evaluar las competencias CB9, CT1, CT2, CT4 y CT5.
Docencia presencial: 35 horas (25 horas de lección expositiva por parte del profesor, 8 horas de prácticas, 2 horas de tutorización).
Estudio y trabajo personal: 90 horas.
Total: 125 horas (5 ECTS)
Conviene acudir a esta materia con conocimientos medios de cálculo de probabilidades e inferencia estadística, con espacial énfasis en los métodos de regresión, en la estimación de curvas y en los métodos de remuestreo. También es recomendable disponer de unas habilidades medias en el manejo de ordenadores, y en concreto de lenguajes de programación y software estadístico (esencialmente R). Para un mejor aprendizaje de la materia, conviene tener presente una clasificación básica de los múltiples métodos de contraste, un conocimiento detallado de algunos métodos fundamentales y mucha flexibilidad para la asimilación de métodos novedosos.
OBSERVACIONES
Para los casos de realización fraudulenta de ejercicios o pruebas, será de aplicación lo recogido en las respectivas normativas de las universidades participantes en el Máster en Técnicas Estadísticas.
Esta guía y los criterios y metodologías en ella descritos están sujetos a las modificaciones que se deriven de normativas y directrices de las universidades participantes en el Máster en Técnicas Estadísticas.
COVID19
La metodologiìa docente expuesta en esta guiìa docente se utilizaraì independientemente del grado de presencialidad bajo el que se imparta la asignatura. Asimismo, tampoco necesitaraì ninguìn tipo de modificacioìn el meìtodo de evaluacioìn, dado que consiste uìnicamente en la entrega de trabajos por parte de los alumnos.
Wenceslao Gonzalez Manteiga
Coordinador/a- Departamento
- Estadística, Análisis Matemático y Optimización
- Área
- Estadística e Investigación Operativa
- Teléfono
- 881813204
- Correo electrónico
- wenceslao.gonzalez [at] usc.es
- Categoría
- Profesor/a: Catedrático/a de Universidad
| 16.01.2025 10:00-14:00 | Grupo /CLE_01 | Aula 04 |
| 02.07.2025 16:00-20:00 | Grupo /CLE_01 | Aula 04 |