Un método de dos pasos para la estimación de modelos de efectos mixtos no lineales
Autores: Wang, Jianling; Luan, Yihui; Jiang, Jiming
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Un método de dos pasos para la estimación de modelos de efectos mixtos no lineales
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Método de dos pasos
Estimación
Parámetros
Modelos de efectos mixtos no lineales
Matriz de covarianza
Asintótico
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 17
Citaciones: Sin citaciones
El objetivo principal de este documento es proponer un método de dos pasos para la estimación de parámetros en modelos de efectos mixtos no lineales. Se obtiene una estimación de primer paso del vector de parámetros resolviendo ecuaciones de estimación, con una matriz de covarianza de trabajo como la matriz identidad. Se muestra que es consistente. Si, además, tenemos una matriz de covarianza estimada, , por , se puede obtener un estimador de segundo paso resolviendo las ecuaciones de estimación óptimas. Se muestra que mantiene la optimalidad asintótica. Establecemos la consistencia y la normalidad asintótica de los estimadores propuestos. Los resultados de simulación muestran la mejora sobre . Además, proporcionamos un método para estimar la varianza utilizando el método de momentos; también evaluamos el rendimiento empírico. Por último, se consideran tres ejemplos de datos reales.
Descripción
El objetivo principal de este documento es proponer un método de dos pasos para la estimación de parámetros en modelos de efectos mixtos no lineales. Se obtiene una estimación de primer paso del vector de parámetros resolviendo ecuaciones de estimación, con una matriz de covarianza de trabajo como la matriz identidad. Se muestra que es consistente. Si, además, tenemos una matriz de covarianza estimada, , por , se puede obtener un estimador de segundo paso resolviendo las ecuaciones de estimación óptimas. Se muestra que mantiene la optimalidad asintótica. Establecemos la consistencia y la normalidad asintótica de los estimadores propuestos. Los resultados de simulación muestran la mejora sobre . Además, proporcionamos un método para estimar la varianza utilizando el método de momentos; también evaluamos el rendimiento empírico. Por último, se consideran tres ejemplos de datos reales.