3. Producción
Browse
2 results
Search Results
- Some of the metrics are blocked by yourconsent settings
Item type:Publication, Enfoque Bayesiano en modelos de teoría de respuesta al ítem(Pontificia Universidad Católica del Perú. Departamento de Ciencias, 2010)El presente trabajo, es un documento desarrollado en el marco de la I Jornada Internacional de Probabilidad y Estadística, JIPE 2010. En este documento, se presenta los principales modelos TRI binarios unidimensionales a los que podemos denominar modelos TRI tradicionales. Estos modelos son denominados en la literatura como modelos de 1, 2 y 3 parámetros dependiendo de cuantos parámetros se asocian al comportamiento de los ítems o variables manifiestas e incluyen aquellos donde se emplea un enlace logit o probit entre la probabilidad de acertar un ítem y el predictor latente que contiene la variable latente y los parámetros de ítem. La propuesta es realizada desde la perspectiva de la Inferencia Bayesiana, corriente que ha tenido últimamente un gran desarrollo como consecuencia del uso de los denominados métodos MCMC (Markov Chain Monte Carlo, por sus siglas en inglés). Dado que los métodos MCMC son computacionalmente intensivos se ha querido también complementar la propuesta presentando los programas de software libre Bayes@PUCP y WinBUGS, el primero de los cuales está siendo, actualmente, desarrollado por los autores en el marco de un proyecto de investigación de la Dirección Académica de Investigación de la Pontificia Universidad Católica del Perú. - Some of the metrics are blocked by yourconsent settings
Item type:Publication, Fast generalized spatial multilevel blockNNGP modeling(Elsevier B.V., 2024-01-01)Typical geostatistical models only consider the case where we observe one response at each location. However, the situation with multiple replicates at spatial locations is seldom discussed. Moreover, the generalized spatial Gaussian process models encounter computational difficulties when the size of the spatial domain becomes massive. Thus, fast generalized spatial multilevel models that use block nearest neighbor Gaussian process to scale to large datasets are introduced. The proposed method uses integrated nested Laplace approximation (INLA) to avoid long sequential updates of the Markov chain Monte Carlo (MCMC) methods. A simulation study is performed under different response distributions to show the model parameter estimation capacity, computational efficiency, and prediction performance. Finally, the proposed models are fitted to the data of Beijing housing transactions to predict the sales price of houses at unobserved locations. The studies demonstrate that the proposed models have advantages in fitting and prediction, making the interpretation better substantiated.