Nuevo enfoque
Varianza no constante
Robustes
Aplicaciones
Concluciones y que viene
Liliana Forzani
trabajo en colaboración con R. Dennis Cook
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Varianza no constante Racionalidad de PCR
Robustes Review de la literatura
Aplicaciones
Concluciones y que viene
Regresión
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Varianza no constante Racionalidad de PCR
Robustes Review de la literatura
Aplicaciones
Concluciones y que viene
Regresión
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Varianza no constante Racionalidad de PCR
Robustes Review de la literatura
Aplicaciones
Concluciones y que viene
Regresión
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Varianza no constante Racionalidad de PCR
Robustes Review de la literatura
Aplicaciones
Concluciones y que viene
Regresión
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Varianza no constante Racionalidad de PCR
Robustes Review de la literatura
Aplicaciones
Concluciones y que viene
Racionalidad de PCR
I Las combinaciones que desecho son las que tienen menos
variabilidad
I Las nuevas variables son nocorrelacionadas
I ES UNA ESTRATEGIA FACIL, SIMPLE DE ENTENDER
I Minimiza la varianza de los estimadores (estimadores mas
precisos)
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Varianza no constante Racionalidad de PCR
Robustes Review de la literatura
Aplicaciones
Concluciones y que viene
Racionalidad de PCR
I Las combinaciones que desecho son las que tienen menos
variabilidad
I Las nuevas variables son nocorrelacionadas
I ES UNA ESTRATEGIA FACIL, SIMPLE DE ENTENDER
I Minimiza la varianza de los estimadores (estimadores mas
precisos)
I Pero, ECM = VARIANZA + SESGO2
I Varianza está conectada con la varianza de X
I SESGO es la conexión entre X e Y . (Pero los pcs no tienen
conexión con Y )
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Varianza no constante Racionalidad de PCR
Robustes Review de la literatura
Aplicaciones
Concluciones y que viene
Ejemplito
1 r
X = (X1 , X2 ), X ∼ N 0, con r cerca de 1.
r 1
Y = X 1 − X2 +
1+r
I Primer PC: X1 + X2 con peso 2
1−r
I Segundo PC: X1 − X2 con peso 2
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Varianza no constante Racionalidad de PCR
Robustes Review de la literatura
Aplicaciones
Concluciones y que viene
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Varianza no constante Racionalidad de PCR
Robustes Review de la literatura
Aplicaciones
Concluciones y que viene
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Varianza no constante Racionalidad de PCR
Robustes Review de la literatura
Aplicaciones
Concluciones y que viene
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Varianza no constante Racionalidad de PCR
Robustes Review de la literatura
Aplicaciones
Concluciones y que viene
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Varianza no constante Racionalidad de PCR
Robustes Review de la literatura
Aplicaciones
Concluciones y que viene
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Varianza no constante Racionalidad de PCR
Robustes Review de la literatura
Aplicaciones
Concluciones y que viene
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Varianza no constante Racionalidad de PCR
Robustes Review de la literatura
Aplicaciones
Concluciones y que viene
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Varianza no constante Racionalidad de PCR
Robustes Review de la literatura
Aplicaciones
Concluciones y que viene
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Modelos para regresión inversa
Varianza no constante
PFC con ∆ general
Robustes
Otras conexiones: SIR
Aplicaciones
Concluciones y que viene
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Modelos para regresión inversa
Varianza no constante
PFC con ∆ general
Robustes
Otras conexiones: SIR
Aplicaciones
Concluciones y que viene
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Modelos para regresión inversa
Varianza no constante
PFC con ∆ general
Robustes
Otras conexiones: SIR
Aplicaciones
Concluciones y que viene
Si
X|(Y = y ) := Xy = N(µy , ∆), PFC
con µy = µ + Γνy , o µy = µ + Γβfy , Γ ∈ Rp×d , d < p,
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Modelos para regresión inversa
Varianza no constante
PFC con ∆ general
Robustes
Otras conexiones: SIR
Aplicaciones
Concluciones y que viene
Si
X|(Y = y ) := Xy = N(µy , ∆), PFC
con µy = µ + Γνy , o µy = µ + Γβfy , Γ ∈ Rp×d , d < p, ,
Y |X ∼ Y |ΓT ∆−1 X
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Modelos para regresión inversa
Varianza no constante
PFC con ∆ general
Robustes
Otras conexiones: SIR
Aplicaciones
Concluciones y que viene
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Modelos para regresión inversa
Varianza no constante
PFC con ∆ general
Robustes
Otras conexiones: SIR
Aplicaciones
Concluciones y que viene
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Modelos para regresión inversa
Varianza no constante
PFC con ∆ general
Robustes
Otras conexiones: SIR
Aplicaciones
Concluciones y que viene
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Modelos para regresión inversa
Varianza no constante
PFC con ∆ general
Robustes
Otras conexiones: SIR
Aplicaciones
Concluciones y que viene
SIR y PFC
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Varianza no constante Model
Robustes Estimation
Aplicaciones
Concluciones y que viene
Varianza no constante
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Varianza no constante Model
Robustes Estimation
Aplicaciones
Concluciones y que viene
Varianza no constante
b) α0T ∆−1
y constante
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Varianza no constante Model
Robustes Estimation
Aplicaciones
Concluciones y que viene
Varianza no constante
b) α0T ∆−1
y constante
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Varianza no constante Model
Robustes Estimation
Aplicaciones
Concluciones y que viene
Varianza no constante
b) α0T ∆−1 T
y constante (∆y = ∆ + Pα(∆) (∆y − ∆)Pα(∆) )
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Varianza no constante Model
Robustes Estimation
Aplicaciones
Concluciones y que viene
Varianza no constante
b) α0T ∆−1 T
y constante (∆y = ∆ + Pα(∆) (∆y − ∆)Pα(∆) )
SY |X = span(α)
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Varianza no constante Model
Robustes Estimation
Aplicaciones
Concluciones y que viene
Varianza no constante
T
Xy ∼ N(µ + ∆ανy , ∆ + Pα(∆) Ty Pα(∆) ),
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Varianza no constante Model
Robustes Estimation
Aplicaciones
Concluciones y que viene
Varianza no constante
T
Xy ∼ N(µ + ∆ανy , ∆ + Pα(∆) Ty Pα(∆) ),
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Varianza no constante Model
Robustes Estimation
Aplicaciones
Concluciones y que viene
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Robustes. Que estimamos?
Varianza no constante
Robustes. SIR-SAVE-DR-LAD
Robustes
Robustes. Resultados teóricos
Aplicaciones
Concluciones y que viene
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Robustes. Que estimamos?
Varianza no constante
Robustes. SIR-SAVE-DR-LAD
Robustes
Robustes. Resultados teóricos
Aplicaciones
Concluciones y que viene
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Robustes. Que estimamos?
Varianza no constante
Robustes. SIR-SAVE-DR-LAD
Robustes
Robustes. Resultados teóricos
Aplicaciones
Concluciones y que viene
80
60 SAVE
Angle
40
20
SIR
0
5 10 15 20
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Robustes. Que estimamos?
Varianza no constante
Robustes. SIR-SAVE-DR-LAD
Robustes
Robustes. Resultados teóricos
Aplicaciones
Concluciones y que viene
80 SAVE
DR
60
Angle
40
20
SIR
0
5 10 15 20
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Robustes. Que estimamos?
Varianza no constante
Robustes. SIR-SAVE-DR-LAD
Robustes
Robustes. Resultados teóricos
Aplicaciones
Concluciones y que viene
80 SAVE
DR
60
Angle
40
LAD
20
SIR
0
5 10 15 20
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Robustes. Que estimamos?
Varianza no constante
Robustes. SIR-SAVE-DR-LAD
Robustes
Robustes. Resultados teóricos
Aplicaciones
Concluciones y que viene
80
SIR
60
Angle
40
20
SAVE, DR
0
5 10 15 20
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Robustes. Que estimamos?
Varianza no constante
Robustes. SIR-SAVE-DR-LAD
Robustes
Robustes. Resultados teóricos
Aplicaciones
Concluciones y que viene
80
SIR
60
Angle
40
20
5 10 15 20
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Robustes. Que estimamos?
Varianza no constante
Robustes. SIR-SAVE-DR-LAD
Robustes
Robustes. Resultados teóricos
Aplicaciones
Concluciones y que viene
80
SAVE SIR
60
Angle
40
20
0
2 4 6 8 10
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Robustes. Que estimamos?
Varianza no constante
Robustes. SIR-SAVE-DR-LAD
Robustes
Robustes. Resultados teóricos
Aplicaciones
Concluciones y que viene
80
SAVE SIR
60
Angle
DR
40
20
0
2 4 6 8 10
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Robustes. Que estimamos?
Varianza no constante
Robustes. SIR-SAVE-DR-LAD
Robustes
Robustes. Resultados teóricos
Aplicaciones
Concluciones y que viene
80
SAVE SIR
60
Angle
DR
40
20
LAD
0
2 4 6 8 10
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Robustes. Que estimamos?
Varianza no constante
Robustes. SIR-SAVE-DR-LAD
Robustes
Robustes. Resultados teóricos
Aplicaciones
Concluciones y que viene
80
SIR
Maximum Angle
60
SAVE
40
DR
20
0
5 10 15 20
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Robustes. Que estimamos?
Varianza no constante
Robustes. SIR-SAVE-DR-LAD
Robustes
Robustes. Resultados teóricos
Aplicaciones
Concluciones y que viene
80
SIR
Maximum Angle
60
SAVE
40
DR LAD
20
0
5 10 15 20
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Robustes. Que estimamos?
Varianza no constante
Robustes. SIR-SAVE-DR-LAD
Robustes
Robustes. Resultados teóricos
Aplicaciones
Concluciones y que viene
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Robustes. Que estimamos?
Varianza no constante
Robustes. SIR-SAVE-DR-LAD
Robustes
Robustes. Resultados teóricos
Aplicaciones
Concluciones y que viene
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Example
Introducción: Regressión Es un pájaro, un avión o un auto? SIR-SAVE-COMB
Nuevo enfoque Is is a bird, a plane? LAD solución
Varianza no constante Is is a bird, a plane or a car? SIR-SAVE
Robustes Is is a bird, a plane or a car? DR
Aplicaciones Is is a bird, a plane or a car? LAD solución
Concluciones y que viene Is is a bird, a plane or a car? LAD solución sin puntos extremos
Is is a bird, a plane or a car? DR sin puntos extremos
Discriminación-Reducción suficiente de
dimensiones-visualización
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Example
Introducción: Regressión Es un pájaro, un avión o un auto? SIR-SAVE-COMB
Nuevo enfoque Is is a bird, a plane? LAD solución
Varianza no constante Is is a bird, a plane or a car? SIR-SAVE
Robustes Is is a bird, a plane or a car? DR
Aplicaciones Is is a bird, a plane or a car? LAD solución
Concluciones y que viene Is is a bird, a plane or a car? LAD solución sin puntos extremos
Is is a bird, a plane or a car? DR sin puntos extremos
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Example
Introducción: Regressión Es un pájaro, un avión o un auto? SIR-SAVE-COMB
Nuevo enfoque Is is a bird, a plane? LAD solución
Varianza no constante Is is a bird, a plane or a car? SIR-SAVE
Robustes Is is a bird, a plane or a car? DR
Aplicaciones Is is a bird, a plane or a car? LAD solución
Concluciones y que viene Is is a bird, a plane or a car? LAD solución sin puntos extremos
Is is a bird, a plane or a car? DR sin puntos extremos
●
●
First SAVE
●
2
●
●
● ●
● ●
● ●
● ●
●●
● ●● ●● ● ● ●● ●
●●
●
●● ● ●
●
●
●●●● ●●●●
● ●●● ●●
●● ●
● ●●●
● ● ●● ●
0
●
● ●● ●● ● ●●●
● ●
● ● ● ●● ●● ●
● ● ●
● ● ● ●
●
● ●
● ●
● ● ●
● ● ●
●
●
● ●
●
−2
● ●
−2 −1 0 1 2
First SIR
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Example
Introducción: Regressión Es un pájaro, un avión o un auto? SIR-SAVE-COMB
Nuevo enfoque Is is a bird, a plane? LAD solución
Varianza no constante Is is a bird, a plane or a car? SIR-SAVE
Robustes Is is a bird, a plane or a car? DR
Aplicaciones Is is a bird, a plane or a car? LAD solución
Concluciones y que viene Is is a bird, a plane or a car? LAD solución sin puntos extremos
Is is a bird, a plane or a car? DR sin puntos extremos
0.05
●
●
0.00
●●
● ●
●
●
●●
●
●
●●●
●
●●●
●
●
●●
●●
●
●●
●●●
●
● ● ●●
● ●
● ● ●
● ● ● ●●●
−0.25 −0.20 −0.15 −0.10 −0.05
●● ●
● ●
● ● ●
● ●●
● ● ● ● ● ●
●
●
● ●
●
● ● ●
● ● ●
●
OURS−2
●
● ●
●
●● ● ●
●
● ●
●●
● ●
● ● ●
OURS−1
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Example
Introducción: Regressión Es un pájaro, un avión o un auto? SIR-SAVE-COMB
Nuevo enfoque Is is a bird, a plane? LAD solución
Varianza no constante Is is a bird, a plane or a car? SIR-SAVE
Robustes Is is a bird, a plane or a car? DR
Aplicaciones Is is a bird, a plane or a car? LAD solución
Concluciones y que viene Is is a bird, a plane or a car? LAD solución sin puntos extremos
Is is a bird, a plane or a car? DR sin puntos extremos
●
●
●
●
● ● ● ● ●
●
●● ●
0.00
● ● ● ●● ● ●● ● ●●
●
● ●●● ● ●
● ●● ●
●●●●●●●
●
●●●
●
● ●●●● ● ●
● ● ●
●●
●● ● ● ●●
● ●● ● ●
●● ●● ●●
●
● ● ● ● ●
●● ●● ●●● ●
●
●●
●●
●●●●
●
● ●
● ●● ●● ● ●
● ● ●
● ● ●● ●
●
●
● ●●●●
●●●●
●●●● ●● ●
●●
●
● ● ●● ● ●● ●
● ●● ●
● ● ● ●
●
First SAVE
● ●
● ●
−0.05
−0.10
First SIR
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Example
Introducción: Regressión Es un pájaro, un avión o un auto? SIR-SAVE-COMB
Nuevo enfoque Is is a bird, a plane? LAD solución
Varianza no constante Is is a bird, a plane or a car? SIR-SAVE
Robustes Is is a bird, a plane or a car? DR
Aplicaciones Is is a bird, a plane or a car? LAD solución
Concluciones y que viene Is is a bird, a plane or a car? LAD solución sin puntos extremos
Is is a bird, a plane or a car? DR sin puntos extremos
1.5 ●
Comb of the first 3 DR predictors
●
1.0
● ●
● ●
●
●
●
●● ●
●●
● ● ●
●● ●
●● ● ●
● ● ●
●●
0.5
● ● ●● ●
●
●● ● ● ●
●
● ●
●
●
●
●
● ● ● ● ●●●
● ●●
●● ●
●●●
●● ●●● ● ●
0.0
● ● ● ●
● ●
● ●●
●
●●
● ●
●●
● ● ●●
● ●●
●●●
●
●
● ●● ●
●●●● ●
● ● ● ●●● ● ●● ● ●●● ●●●● ●
● ● ● ●●
●
●● ● ● ●
● ● ● ● ●● ●
●● ● ●
● ● ●
● ● ●
● ● ●
●
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Example
Introducción: Regressión Es un pájaro, un avión o un auto? SIR-SAVE-COMB
Nuevo enfoque Is is a bird, a plane? LAD solución
Varianza no constante Is is a bird, a plane or a car? SIR-SAVE
Robustes Is is a bird, a plane or a car? DR
Aplicaciones Is is a bird, a plane or a car? LAD solución
Concluciones y que viene Is is a bird, a plane or a car? LAD solución sin puntos extremos
Is is a bird, a plane or a car? DR sin puntos extremos
Birds (r), planes (bck) and cars (blue) with OUR method
0.0
●
●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●●
●
●●
●●●
●
●●
●●
●●●
●
●●●
●●● ●
● ●
● ● ●● ●
●●
●● ● ●
● ●
●●
●
● ●
● ●
● ● ● ●
● ●●
−0.1
●●
● ● ●
●● ●
●
● ● ●●
●
● ●●
● ● ● ● ● ●
●● ● ●
● ● ●
OURS−2
●● ● ● ●
●
●
●● ● ●
●● ●
●
●
●● ●
●
● ● ●
● ●
−0.2
● ● ● ●●
●
●
●
● ●
● ●
●
●●
● ●
−0.3
OURS−1
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Example
Introducción: Regressión Es un pájaro, un avión o un auto? SIR-SAVE-COMB
Nuevo enfoque Is is a bird, a plane? LAD solución
Varianza no constante Is is a bird, a plane or a car? SIR-SAVE
Robustes Is is a bird, a plane or a car? DR
Aplicaciones Is is a bird, a plane or a car? LAD solución
Concluciones y que viene Is is a bird, a plane or a car? LAD solución sin puntos extremos
Is is a bird, a plane or a car? DR sin puntos extremos
0.0
●●
●●
●●
●
●
●●
●
●
●●●●
●●
●●
●
●
●
●●
●●
●●
● ●●
● ●
● ●●●
● ● ● ●
● ● ●●
●
● ● ●●●
● ● ●
● ● ●● ●●
●●
● ●
●●
−0.1
● ●● ● ● ●● ●
●●
● ●
● ●●
● ● ●●
● ●
●
●●●
● ● ● ●●●
●
● ● ● ●●
●● ● ●●
● ● ● ●●
●
●
OURS−2
●
●
●
−0.2
●
●
● ●
●
●● ●●
●
●
●
−0.3
● ●
●
●
−0.4
OURS−1
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Example
Introducción: Regressión Es un pájaro, un avión o un auto? SIR-SAVE-COMB
Nuevo enfoque Is is a bird, a plane? LAD solución
Varianza no constante Is is a bird, a plane or a car? SIR-SAVE
Robustes Is is a bird, a plane or a car? DR
Aplicaciones Is is a bird, a plane or a car? LAD solución
Concluciones y que viene Is is a bird, a plane or a car? LAD solución sin puntos extremos
Is is a bird, a plane or a car? DR sin puntos extremos
8
●
●
6
4
DR2
● ●●
●
2
●
● ● ● ●
●●● ●
●●● ●● ●
●● ●●●
●●
●
● ●●●●●
● ●●●
●
●
● ●●●●
●●
●●
●
●
●●
●●●
● ●● ●
●●● ●●● ●
● ● ●
●● ● ● ● ● ●● ●● ●
● ●●●●
● ●● ● ● ●●
● ●●●
● ●●
●●
● ●
●
●●
●
●
●●
●
● ●
●● ● ● ● ●
●
0
●
●
●●● ● ● ●
● ● ●●●
● ● ●
●
● ● ●
● ●
● ● ●●
●
●
●
−2
● ●
0 1 2 3 4
DR1
Liliana Forzani trabajo en colaboración con R. Dennis Cook Reducción suficiente de dimensiones basada en modelos inverso
Introducción: Regressión
Nuevo enfoque
Varianza no constante
Robustes
Aplicaciones
Concluciones y que viene