En esta tesis se introducir y estudiar el modelo de supervivencia de larga duración Exponencial-Poisson. Este modelo permite estudiar el tiempo hasta la ocurrencia de un evento de interés cuando se asume que existe una fracción de unidades de la población inmunes a la ocurrencia de este evento. El modelo descrito en esta tesis es un modelo de mixtura que usa la distribución Exponencial-Poisson para modelar el tiempo a la ocurrencia del evento de interés en la sub población suceptible al evento de interés. Además se plantea un modelo de regresión logística sobre la probabilidad de ser inmune al evento de interés. Se realiza un estudio de simulación en el cual a través del sesgo porcentual y cobertura se comprobó la buena performancia del modelo. Finalmente, el modelo es aplicado sobre una muestra de clientes morosos de una entidad del sistema financiero Peruano donde el evento de interés es la cancelación de dicha deuda. / In this thesis the long-term survival model Exponential-Poisson will be introduced and discussed. This model allows to study the time until the occurrence of an event of interest when it is assumed that there is a fraction of the population that is immune to the occurrence of this event. The studied model is a mixture model that assumes that the time to the event among susceptible follows a Exponential-Poisson distribution and that the probability of being inmune to the event of interes is explained by a set of covariates via a logistic regression model. A simulation study was carried out in which the good performance of the model was checked through the percentage bias and 95% coverage. Finally, the model is applied to a sample of a Peruvian nantial entity where the event of interest is the cancellation of the debt. / Tesis

Cuando los valores posibles de una variable aleatoria son continuos y no negativos, incluyendo el valor cero con probabilidad no nula, la variable es denominada semicontinua o cero-in acionada y posiblemente sea pertinente suponer que presenta una distribución mixta de probabilidades constituida por una distribución de Bernoulli para explicar si la respuesta toma el valor cero o no y una distribución continua positiva para explicar si ésta última no es cero. En el análisis de regresión, el modelo de dos partes (MDP) es tradicionalmente usado para explicar una variable semicontinua. En el MDP la respuesta presenta este tipo de distribución mixta y sus parámetros son expresados de tal manera que posibilite estimar el efecto de un conjunto de covariables sobre la media de esta respuesta condicionada a que tome valores positivos y sobre la probabilidad de que la respuesta tome el valor cero. El objetivo de la tesis es estudiar un modelo alternativo al MDP, que llamaremos modelo de regresión cero-in acionada a la media (MCIM), cuya parametrización permita estimar e interpretar efectos de covariables sobre la media total de la respuesta, en lugar de la media condicionada a valores positivos. Además, optamos por la distribución gamma generalizada (MCIM-GG) para modelar ciertas características de los valores positivos de la respuesta, tales como, por ejemplo, la asimetría positiva y la curtosis pronunciada. Estas características, junto con el exceso de valores cero, son típicas en diferentes ejemplos de variables respuestas en la Economía y la Medicina. Los resultados del estudio de simulación muestran un adecuado desempeño de las estimaciones de máxima verosimilitud del MCIM-GG bajo diferentes escenarios de nidos según porcentajes de valores ceros de la respuesta y tamaños de muestra. Por último, los resultados de la aplicación muestran que el MCIM-GG puede tener un mejor ajuste a los datos respecto al MDP-GG, así como proporcionar una más directa interpretación de los efectos de ciertas covariables sobre la media de los gastos en educación de adolescentes participantes del estudio Niños del Milenio en el Perú. / Tesis

El presente trabajo de tesis propone el modelo de regresión a la media simplex inflacionada, que permite modelar variables aleatorias continuas limitadas en el intervalo cerrado [0; 1] al considerar un conjunto de ecuaciones de regresión para estimar la media de la respuesta y los parámetros que modelan las probabilidades de los valores extremos 0 y 1. Asimismo, se desarrolla un estudio de simulación con el fin de evaluar si el método propuesto permite recuperar los parámetros del modelo desde el punto de vista de la estadística clásica. Por otro lado, se desarrolla la aplicación del modelo para determinar el grado de dolarización de empresas que registran deudas en el Sistema Financiero, y para evaluar el desempeño del mismo, se compara contra el modelo de regresión a la media beta inflacionada. Los resultados muestran un mejor ajuste del modelo propuesto en esta tesis. / Tesis

Se conoce que el modelo lineal normal no es apropiado para situaciones en la que la variable respuesta es una proporción que solo toma valores en un rango limitado (0; 1), pues, se pueden obtener valores ajustados para la variable de inter es que exceden sus límites inferior y superior. Ante dicha situación, una propuesta es utilizar la distribución beta ya que es bastante flexible para modelar proporciones. Este modelo de regresión, sin embargo, puede ser influenciado por la presencia de valores atípicos o extremos. Debido a ello, se ha propuesto en la literatura, un modelo de mayor robustez llamado modelo de regresión beta rectangular, el cual permite una mayor incidencia de tales valores. El objetivo general de la tesis es estudiar las propiedades, estimar y aplicar a un conjunto de datos reales el modelo de regresión beta rectangular desde el punto de vista de la estadística bayesiana. Para cumplir con el objetivo planteado, se estudian las características y propiedades de las distribuciones beta y beta rectangular. Luego, se desarrolla el análisis bayesiano del modelo de regresión beta rectangular considerando las distribuciones a priori y a posteriori, los criterios de selección de modelos y simulaciones de Montecarlo v a cadenas de Markov. También, se realizan estudios de simulación para demostrar que el nuevo modelo es m as robusto que el modelo de regresión beta. Adicionalmente, se presenta una aplicación para mostrar la utilidad del modelo de regresión beta rectangular. / Tesis

Estadística inferencial. 5. Análisis de regresión lineal simple.

Estadística inferencial. 5. Ejemplo 1

Estadística inferencial. 5. Ejemplo 2

Estadística inferencial. 6. Análisis de Regresión Lineal Múltiple.

Estadística inferencial. 6. Ejemplo 1

Estadística inferencial. 6. Ejemplo 2