| Resumo: |
En este trabajo, presentamos algunas alternativas par estimar los parámetros de un Modelo de Espacio de Estados (SSM, por sus siglas en inglés) cuando se tiene el problema de datos incompletos, los algoritmos de Esperanza-Maximización (EM), Monte Carlo EM y EM Estocástico son implementados. También, se presenta una aproximación a la función de verosimilitud utilizando Muestreo de Importancia. Se realizó un estudio de simulación para estudiar el desempeño de estos procedimientos para un modelo de espacio de estados con diferentes porcentajes de censura en las observaciones. Los algoritmos son implementados a dos conjuntos de datos reales; el primero, a datos sobre contaminación del aire con observaciones sujetas a límites inferiores de detección y con datos perdidos; el segundo, a datos sobre contaminación de agua sujetos también a límites inferiores de detección. _______________ STATE-SPACE MODEL WITH CENSORED OBSERVATIONS. ABSTRACT: In this work, to estimate the parameters of a state-space models (SSM) with incomplete data, the Expectaion-Maximization (EM) algorithm, the Monte Carlo EM (MCEM) algorithm and Stochastic EM (SEM) algorithm are implemented. Also we present an approximation to the likelihood function via importance sampling (IS). To study the performance of these procedures a simulation study for a state-space model with different rates of censoring is conducted. The algorithms are implemented to an air pollution data subject to lower limits of detection with missing observations and to a water pollution data, also subject to lower limits of detection.
Tesis (Doctorado en Ciencias, especialista en Estadística).- Colegio de Postgraduados, 2010.
Consejo Nacional de Ciencia y Tecnolog a (CONACYT).
|
