Vai ai contenuti. | Spostati sulla navigazione | Spostati sulla ricerca | Vai al menu | Contatti | Accessibilità

| Crea un account

Di Caterina, Claudia (2017) Reducing the Impact of Bias in Likelihood Inference for Prominent Model Settings. [Tesi di dottorato]

Full text disponibile come:

[img]
Anteprima
Documento PDF
Available under License Creative Commons Attribution Non-commercial No Derivatives.

1414Kb

Abstract (inglese)

The existence of bias in inferential procedures based on the likelihood function has given rise to a great deal of research in the statistical literature. The magnitude of such bias plays a crucial role in estimation: if large, misleading conclusions on the quantities of interest are likely to be drawn. This is a matter of serious concern when the available sample size is small to moderate or when the model under study does not meet the regularity conditions for usually reliable maximum likelihood inference. In the present thesis, we attempt to reduce the impact of bias in both these circumstances, by following distinct paths. For finite-sample problems, we propose a convenient way to refine Wald-type inference in regression settings through asymptotic bias correction of the $z$-statistic. Such approach stems from the intuition of seeing that pivot as the estimator of a model reparametrization. For non-regular problems, with special focus on scenarios characterized by the presence of incidental parameters, we suggest a strategy to extend the current range of applications of the modified profile likelihood. This solution, founded on Monte Carlo simulation, is versatile enough to cope with several nonstandard modeling frameworks for grouped data.

Abstract (italiano)

L'esistenza di distorsione nelle procedure inferenziali basate sulla funzione di verosimiglianza ha dato origine ad un grande
usso di ricerca nella letteratura statistica. L'entita di tale distorsione detiene un ruolo cruciale nel processo di stima: se grande, puo portare a conclusioni fuorvianti sulle quantita di interesse. Tale questione e oggetto di particolare preoccupazione quando la numerosita campionaria e modesta o quando il modello oggetto di studio non rispetta le condizioni di regolarita necessarie ad ottenere risultati adabili tramite le usuali techniche di massima verosimiglianza. In questa tesi, si tenta di ridurre l'impatto della distorsione in entrambe le circostanze, seguendo vie dierenti. Per problemi in campioni di modesta grandezza, viene proposto un modo pratico per migliorare l'inferenza condotta col test di Wald in modelli di regressione. Tale approccio, incentrato sulla correzione asintotica della distorsione della statistica utilizzata, deriva dall'intuizione di guardare ad essa come allo stimatore di una riparametrizzazione del modello. Per problemi non regolari di stima caratterizzati dalla presenza di parametri incidentali, si suggerisce una strategia volta ad estendere il campo di applicazione della verosimiglianza prolo modicata. La versatilita di questa
soluzione, fondata sulla simulazione Monte Carlo, permette di trattare vari modelli complessi per dati raggruppati.

Statistiche Download - Aggiungi a RefWorks
Tipo di EPrint:Tesi di dottorato
Relatore:Sartori, Nicola
Correlatore:Kosmidis, Ioannis
Dottorato (corsi e scuole):Ciclo 29 > Corsi 29 > SCIENZE STATISTICHE
Data di deposito della tesi:31 Gennaio 2017
Anno di Pubblicazione:31 Gennaio 2017
Parole chiave (italiano / inglese):bias, cluster data, maximum likelihood inference, Wald statistic
Settori scientifico-disciplinari MIUR:Area 13 - Scienze economiche e statistiche > SECS-S/01 Statistica
Struttura di riferimento:Dipartimenti > Dipartimento di Scienze Statistiche
Codice ID:10305
Depositato il:03 Nov 2017 09:09
Simple Metadata
Full Metadata
EndNote Format

Download statistics

Solo per lo Staff dell Archivio: Modifica questo record