Skip to main content

METODOS ESTADISTICOS FLEXIBLES EN CIENCIA DE DATOS PARA DATOS COMPLEJOS Y DE GRAN VOLUMEN: TEORIA Y APLICACIONES

PID2020-113578RB-I00

•
Funding agency name Agencia Estatal de Investigación
Funding agency acronym AEI
Program Programa Estatal de I+D+i Orientado a los Retos de la Sociedad
Call Proyectos de I+D+i (Generación de Conocimiento y Retos Investigación)
Call year 2020
State Plan 2017-2020 Plan Estatal de Investigación Científica y Técnica y de Innovación
Beneficiary centre UNIVERSIDADE DA CORUÑA

Resultados relacionados

Resultados totales (Incluyendo duplicados): 4
Encontrada(s) 1 página(s)

RUC. Repositorio da Universidade da Coruña
Publication Tesis doctoral (DoctoralThesis)

High dimensional single-index mixture cure models

  • Piñeiro Lamas, Beatriz
[Abstract] In survival analysis, there are situations in which not all subjects are susceptible to the final event. For example, if the event is a cancer therapy-related adverse effect, there will be a fraction of patients (considered as cured) that will never experience it. Mixture cure models allow to estimate the probability of cure and the survival function for the uncured subjects. In the literature, nonparametric estimation of both functions is limited to continuous univariate covariates. We fill this gap by proposing single-index mixture cure models. They allow working with a vector covariate and assume that the survival function depends on it through an unknown linear combination, that is estimated by maximum likelihood. Besides, a nonparametric estimator for the density function of the uncured individuals is introduced, and its iid representation is derived. Finally, the proposed models are extended to functional covariates and a preprocessing algorithm is implemented to deal with medical images. The methodology is applied to a cardiotoxicity dataset. The goal is to determine whether (and how) certain factors affect the probability of experiencing the cardiovascular problem and the amount of time it takes for it to manifest. Understanding risk factors may lead to a patient-based preventive medicine., [Resumen] En análisis de supervivencia hay situaciones en las cuales no todos los sujetos son susceptibles al evento final. Por ejemplo, si el evento es un efecto adverso de una terapia oncológica, habrá pacientes (considerados como curados) que nunca lo experimentarán. Los modelos de curación de tipo mixtura permiten estimar la probabilidad de curación y la función de supervivencia de los sujetos susceptibles. En la literatura, la estimaciuñin no paramétrica de ambas funciones se limita a covariables unidimensionales. En esta tesis se proponen los modelos single-index de curación de tipo mixtura. Estos permiten trabajar con una covariable vectorial y asumen que la función de supervivencia depende de ella mediante una combinación lineal que se puede estimar por máxima verosimilitud. Además, se introduce un estimador no paramétrico para la funci´on de densidad de los susceptibles y se obtiene su representación iid. Finalmente, los modelos propuestos se extienden a covariables funcionales y se implementa un algoritmo de preprocesamiento de imágenes médicas. La metodología se aplica a datos de cardiotoxicidad con el objetivo de determinar qué factores afectan (y cómo) a la probabilidad de experimentarla y al tiempo que tarda en manifestarse. Conocer los factores de riesgo podría conducir a una medicina preventiva personalizada., [Resumo] En análise de supervivencia hai situacións nas que non todos os individuos son susceptibles ao evento final. Por exemplo, se o evento é un efecto adverso dunha terapiaoncolóxica, haberá pacientes (considerados como curados) que nunca o experimentarán. Os modelos de curaci´on de tipo mestura permiten estimar a probabilidade de curación e a función de supervivencia dos suxeitos susceptibles. Na literatura, a estimación non paramétrica destas dúas funcións limítase a covariables unidimensionais. Nesta tese propóñense os modelos single-index de curación de tipo mestura. Estes permiten traballar cunha covariable vectorial e asumen que a función de supervivencia depende dela mediante unha combinación lineal que se pode estimar por máxima verosimilitude. Ademais, introd´ucese un estimador non paramétrico para a función de densidade dos susceptibles e obtense a súa representación iid. Finalmente, os modelos propostos esténdense a covariables funcionais e impleméntase un algoritmo de preprocesamento de imaxes médicas. A metodoloxía aplícase a datos de cardiotoxicidade co obxectivo de determinar que factores afectan (e como) á probabilidade de experimentala e ao tempo que tarda en manifestarse. Coñecer os factores de risco podería conducir cara unha medicina preventiva personalizada., Xunta de Galicia; ED431C 2020/14, Xunta de Galicia; ED431G 2019/01, Xunta de Galicia; ED481A-2020/290, This research has been partially supported by MINECO (Ministerio de Economía y Competitividad) Grant MTM2017-82724-R, by Ministerio de Ciencia e Innovación under grant PID2020-113578RB-100 and by the Xunta de Galicia (Grupos de Referencia Competitiva ED431C 2020/14 and Centro de Investigación del Sistema Universitario de Galicia ED431G 2019/01), all of them through the ERDF (European Regional Development Fund). The doctoral student acknowledges financial support from Axudas Predoutorais da Xunta de Galicia, with reference ED481A-2020/290. The work has been partially carried out during two visits at École Nationale de la Statistique et de l’Analyse de l’Information (ENSAI) and Katholieke Universiteit Leuven. The first stay was funded through grant ED481A-2020/290 and the second one was supported by the research group MODES (Modelización, Optimización e Inferencia Estadística) and CITIC (Centro de Investigación de Tecnologías de la Información y de la Comunicación).
RUC. Repositorio da Universidade da Coruña
Publication Tesis doctoral (DoctoralThesis)

Methodological Contributions in Semiparametric Regression Models for Functional Data

  • Novo Díaz, Silvia
[Abstract] This doctoral thesis is dedicated to functional regression for scalar response. In particular, we focus on functional semiparametric models, which combine the practical advantages of parametric and nonparametric approaches, surpassing both methodologies. Accordingly, several semiparametric models involving a functional singleindex component were studied from a theoretical and practical perspective. First, for the functional single-index model (FSIM) and the semi-functional partial linear single-index model (SFPLSIM), we provide uniform consistency results (over all parameters involved) for kernel- and k-Nearest-Neighbours-based statistics related to the estimation of the semiparametric component. Second, for the sparse semifunctional partial linear single-index model (SSFPLSIM), we develop a variable selection procedure in the linear component based on penalized least squares (PLS). The good behaviour of this method is theoretically assured (rates of convergence of the estimators are obtained, as well as asymptotic behaviour of the variable selection procedure). Third, the SSFPLSIM is adapted to the case in which covariates with linear e ect come from the discretization of a curve. For this new model, the multi-functional partial linear single-index model (MFPLSIM), the variable selection problem was also studied. Consequently, two new algorithms were proposed (providing theoretical results that ensure their good performance) to solve the ine ciency of the PLS method when it is directly applied to the MFPLSIM. For all the models and procedures mentioned above, theoretical results are accompanied by both simulation studies and real data applications which illustrate the good performance of the proposed methodology in practice., [Resumo] Esta tese está adicada ao estudo da regresión funcional con variable resposta escalar. En particular, centrámonos en modelos funcionais semi-paramétricos, os cales combinan as vantaxes prácticas dos enfoques paramétrico e non-paramétrico, superando a ambas metodoloxías. Desta maneira, estudáronse, tanto dende o punto de vista te orico como dende a perspectiva pr actica, varios modelos semi-param etricos que involucran unha compoñente funcional single-index. En primeiro lugar, para o functional single-index model (FSIM) e para o semi-functional partial linear single-index model (SFPLSIM) establecemos resultados de consistencia uniforme (sobre todos os parámetros involucrados) para os estatísticos de tipo núcleo e tipo k-veciños-máis-próximos relacionados coa estimación da compoñente semi-paramétrica do modelo. En segundo lugar, para o sparse semi-functional partial linear single-index model (SSFPLSIM) desenvolvemos un procedemento de selección de variables na compoñente linear baseado en mínimos cadrados penalizados (PLS, iniciais de penalized least squares). O bo comportamento deste método asegurouse dende o punto de vista teórico (obtendo taxas de converxencia dos estimadores, así como o comportamento asintótico do procedemento de selección de variables). En terceiro lugar, o SSFPLSIM adaptouse ao escenario no cal as covariables con efecto linear proveñen da discretización dunha curva. Para este novo modelo, o multi-functional partial linear single-index model (MFPLSIM), estudouse tamén o problema da selección de variables e propuxéronse dous novos algoritmos (dos que aseguramos teoricamente o seu bo comportamento) para resolver a inefi cacia do método PLS cando se aplica directamente ao MFPLSIM. Para todos os modelos e procedementos citados, os resultados teóricos acompañáronse de estudos de simulación e aplicacións a datos reais que ilustran o bo comportamento na práctica da metodoloxía presentada., [Resumen] Esta tesis está dedicada al estudio de la regresión funcional con variable respuesta escalar. En particular, nos centramos en modelos funcionales semi-paramétricos, los cuales combinan las ventajas prácticas de los enfoques paramétrico y no-paramétrico, superando a ambas metodologías. De esta forma, se estudiaron, tanto desde el punto de vista teórico como desde la perspectiva práctica, varios modelos semi-paramétricos que involucran una componente funcional single-index. En primer lugar, para el functional single-index model (FSIM) y para el semi-functional partial linear single-index model (SFPLSIM) establecemos resultados de consistencia uniforme (sobre todos los parámetros involucrados) para los estadísticos de tipo núcleo y de tipo k-vecinos-más-próximos relacionados con la estimación de la componente semi-paramétrica del modelo. En segundo lugar, para el sparse semi-functional partial linear single-index model (SSFPLSIM) desarrollamos un procedimiento de selección de variables en la componente linear basado en mínimos cuadrados penalizados (PLS, iniciales de penalized least squares). El buen comportamiento de este método se ha asegurado desde el punto de vista teórico (obteniendo tasas de convergencia de los estimadores, así como el comportamiento asintótico del procedimiento de selección de variables). En tercer lugar, el SSFPLSIM se ha adaptado al escenario en el cual las covariables con efecto linear provienen de la discretización de una curva. Para este nuevo modelo, el multi-functional partial linear single-index model (MFPLSIM), se ha estudiado también el problema de selección de variables y se propusieron dos nuevos algoritmos (de los que aseguramos teóricamente su buen comportamiento) para resolver la ine ficiencia del método PLS cuando se aplica directamente al MFPLSIM. Para todos los modelos y procedimientos citados, los resultados teóricos se acompañaron de estudios de simulación y aplicaciones a datos reales que ilustran el buen comportamiento en la práctica de la metodología presentada., Xunta de Galicia; ED481A-2018/191, Xunta de Galicia; ED431G/01 2016-2019, Xunta de Galicia; ED431G2019/01, Xunta de Galicia; ED431C 2016-015, Xunta de Galicia; ED431C2020-014, This research has been partially supported by the Spanish Ministerio de Economía y Competitividad (MINECO) under Grants MTM2014-52876-R and MTM2017-82724-R, by the Spanish Ministerio de Ciencia e Innovación (MICINN) under Grant PID2020-113578RB-I00, by the Xunta de Galicia through Centro Singular de Investigación de Galicia accreditation under Grants ED431G/01 2016-2019 and ED431G 2019/01 and through the Grupos de Referencia Competitiva under Grants ED431C 2016-015 and ED431C2020-014 and in part by the European Union (European Regional Development Fund-ERDF). The author particularly thanks the contracts financed by the research group MODES (from May 1, 2017 to August 31, 2017) and by the CITIC (from September 1, 2017 to May 30, 2018) and the PhD contract financed by the Xunta de Galicia and the European Union (European Social Fund-ESF), the reference of which is ED481A-2018/191 (from May 31, 2018). Some results of this thesis have been obtained during a stay of the author at the Universit ́e Paul Sabatier, Toulouse (from March 13, 2019 to June 12, 2019), financed by the Xunta de Galicia, with reference ED481A-2018/191
RUC. Repositorio da Universidade da Coruña
Publication Tesis doctoral (DoctoralThesis)

Statistical Inference in Mixed Models With Random Slope: Applications of Interest In Small Areas

  • Diz Rosales, Naomi
[Resumen] La estimación en áreas pequeñas aborda la obtención de estimaciones fiables de indicadores cuando los tamaños muestrales a nivel de dominio son reducidos o inexistentes. En este contexto, los modelos mixtos constituyen una herramienta fundamental al permitir combinar información global y específica de cada área. Sin embargo, la mayoría de los enfoques existentes se basan en modelos con interceptos aleatorios, asumiendo homogeneidad en los efectos de las variables explicativas entre dominios, una hipótesis a menudo demasiado restrictiva en aplicaciones reales. Esta tesis desarrolla un marco metodológico unificado para la inferencia en modelos de estimación en áreas pequeñas que incorporan pendientes aleatorias, permitiendo modelar explícitamente la heterogeneidad estructural entre áreas. Se estudian modelos de área con respuesta discreta (Poisson) y continua (Fay-Herriot), tanto en contextos transversales como longitudinales. Para cada modelo se derivan predictores óptimos, se proponen procedimientos eficientes de estimación de parámetros y se desarrollan estimadores del error cuadrático medio, tanto analíticos como basados en bootstrap. El comportamiento de las metodologías propuestas se evalúa mediante estudios de simulación y se ilustran sus ventajas en aplicaciones reales, incluyendo la estimación de ocupación hospitalaria en contextos epidémicos y la obtención de indicadores socioeconómicos desagregados a partir de encuestas oficiales. En conjunto, la tesis amplía el marco metodológico de la estimación en áreas pequeñas, proporcionando modelos más flexibles y realistas para la producción de indicadores fiables en situaciones de escasez de información., [Resumo] A estimación en áreas pequenas ocúpase da obtención de estimacións fiables de indicadores cando os tamaños mostrais a nivel de dominio son reducidos ou mesmo inexistentes. Neste contexto, os modelos mixtos constitúen unha ferramenta fundamental ao permitir combinar información global coa específica de cada área. Porén, a maioría dos enfoques existentes baséanse en modelos con intersectos aleatorios, asumindo homoxeneidade nos efectos das variables explicativas entre dominios, unha hipótese que adoita resultar excesivamente restritiva en aplicacións reais. Esta tese desenvolve un marco metodolóxico unificado para a inferencia en modelos de estimación en áreas pequenas que incorporan pendentes aleatorias, permitindo modelar explicitamente a heteroxeneidade estrutural entre áreas. Estúdanse modelos de área con resposta discreta (Poisson) e continua (Fay-Herriot), tanto en contextos transversais como lonxitudinais. Para cada modelo derívanse preditores óptimos, propóñense procedementos eficientes para a estimación dos parámetros e desenvólvense estimadores do erro cadrático medio, tanto analíticos como baseados en bootstrap. O comportamento das metodoloxías propostas avalíase mediante estudos de simulación e ilústranse as súas vantaxes en aplicacións reais, incluíndo a estimación da ocupación hospitalaria en contextos epidémicos e a obtención de indicadores socioeconómicos desagregados a partir de enquisas oficiais. En conxunto, esta tese amplía o marco metodolóxico da estimación en áreas pequenas, proporcionando modelos máis flexibles e realistas para a produción de indicadores fiables en situacións de escaseza de información., [Abstract] Small area estimation focuses on producing reliable estimates of indicators when sample sizes at the domain level are small or even zero. In this context, mixed models constitute a key methodological tool, as they allow the combination of global information with area-specific variability. However, most existing approaches rely on models with random intercepts only, implicitly assuming homogeneity in the effects of explanatory variables across domains, an assumption that is often overly restrictive in real-world applications. This thesis develops a unified methodological framework for inference in small area estimation models incorporating random slopes, thereby enabling the explicit modelling of structural heterogeneity across areas. Area-level models with discrete responses (Poisson) and continuous responses (Fay–Herriot) are studied in both cross-sectional and longitudinal settings. For each model, optimal predictors are derived, efficient parameter estimation procedures are proposed, and mean squared error estimators are developed, including both analytical and bootstrap-based approaches. The performance of the proposed methodologies is assessed through extensive simulation studies, and their practical advantages are illustrated through applications to real data, including hospital occupancy estimation in epidemic contexts and the production of disaggregated socioeconomic indicators from official surveys. Overall, this thesis extends the methodological toolkit of small area estimation by providing more flexible and realistic models for the production of reliable indicators under conditions of limited information., This PhD thesis is part of grant PRE2021-100857, funded by MCIN/AEI/10.13039/501100011033 and by the European Social Fund Plus (ESF+). This research has also been supported by the following national grants: PGC2018-096840-B-I00, PID2020-113578RB-I00, PID2023-147127OB-I00 (funded by MICIU/AEI/10.13039/501100011033 and by the European Regional Development Fund – ERDF/EU), and PID2022-136878NB-I00; by funding from the Generalitat Valenciana through Prometeo/2021/063 and CIPROM/2024/34; and by funding from the Xunta de Galicia through the Competitive Reference Groups programme (ED431C/2020/14) and the Galicia Singular Research Centre programme (ED431G/2019/01 and ED431G 2023/01), all co-financed by the ERDF. In addition, the completion of the second national research stay at Miguel Hern´andez University of Elche (UMH), Spain, was made possible thanks to the MODES research group and the CITIC. CITIC, as a centre accredited for excellence within the Galician University System and a member of the CIGUS Network, receives funding from the Department of Education, Science, Universities and Vocational Training of the Xunta de Galicia. Furthermore, it is co-financed by the European Union through the ERDF Galicia 2021–2027 Operational Programme (Ref. ED431G 2023/01). We would also like to thank the Galicia Supercomputing Center (CESGA) for providing the computational resources that enabled part of the tests and experiments conducted during this thesis., Xunta de Galicia; ED431C/2020/14, Xunta de Galicia; ED431G/2019/01, Xunta de Galicia; ED431G 2023/01
RUC. Repositorio da Universidade da Coruña
Publication Tesis doctoral (DoctoralThesis)

Nonparametric estimation of the probability of default in credit risk.

  • Peláez, Rebeca
[Abstract] Financial institutions are interested in knowing the probability that their clients declare themselves unable to pay the debts incurred by granting a credit. The aim of this work is to propose models to estimate this probability, called probability of default (PD), using the information provided by the credit scoring. The PD conditional on the credit scoring can be written as a transformation of the conditional survival function of the variable “time to default”. This property is used to propose new PD estimators, based on nonparametric estimators of the survival function. The time to default faces a right-censoring problem, since in the study of a set of loans, it is not possible to observe default for all of them. Consequently, censored data techniques and survival analysis are used. Given the possible existence of individuals not susceptible to default, mixture cure models are also discussed in this work. The asymptotic expression for the mean squared error and the asymptotic normality of the proposed estimators are obtained. Automatic bootstrap selectors are proposed for the smoothing parameters on which the estimators depend. The performance of the proposed techniques is analysed and compared with existing semiparametric approaches through simulation studies and illustrated by analysing bank loan data, [Resumen] A las entidades financieras les interesa conocer la probabilidad de que sus clientes se declaren incapaces de hacer frente a las deudas contraídas con la concesión de un crédito. El objetivo de este trabajo es proponer modelos para estimar esta probabilidad, denominada probabilidad de mora (PD), utilizando la información proporcionada por la puntuación crediticia. La PD condicionada a la puntuación crediticia puede escribirse como una transformaciónde la función de supervivencia condicional de la variable “tiempo hasta la mora”. Esta propiedad se utiliza para proponer nuevos estimadores de la PD, basados en estimadores no paramétricos de la función de supervivencia. El tiempo hasta el impago se enfrenta a un problema de censura por la derecha, pues en elestudio de un conjunto de créditos, no es posible observar la mora para todos ellos. Consecuentemente, se utilizan técnicas de datos censurados y análisis de supervivencia. Ante la posible existencia de individuos no susceptibles a la mora, los modelos de curación de tipo mixtura también se discuten en este trabajo. Se obtiene la expresión asintótica para el error cuadrático medio y la normalidad asintótica de los estimadores propuestos. Se proponen selectores automáticos bootstrap para los parámetros de suavizado de los que dependen los estimadores. El comportamiento de las técnicas propuestas se analiza y se compara con enfoques semiparamétricos existentes mediante estudios de simulación y se ilustra mediante el análisis de datos de préstamos bancarios., [Resumo] Ás entidades financeiras interesalles coñecer a probabilidade de que os seus clientes declárense incapaces de facer fronte ás débedas contraídas coa concesión dun crédito. O obxectivo deste traballo é propoñer modelos para estimar esta probabilidade, denominada probabilidade de morosidade (PD), utilizando a información proporcionada pola puntuación crediticia. A PD condicionada á puntuación crediticia pode escribirse como unha transformación da función de supervivencia condicional da variable “tempo ata a morosidade”. Esta propiedade utilízase para propoñer novos estimadores da PD, baseados en estimadores non paramétricos da función de supervivencia. O tempo ata a falta de pagamento enfróntase a un problema de censura pola dereita, pois no estudo dun conxunto de créditos, non é posible observar a falta de pagamento para todos eles. Consecuentemente, utilízanse técnicas de datos censurados e análise de supervivencia. Ante a posible existencia de individuos non susceptibles á morosidade, os modelos de curación de tipo mestura tamén se discuten neste traballo. Obtense a expresión asintótica para o erro cuadrático medio e a normalidade asintótica dos estimadores propostos. Propóñense selectores automáticos bootstrap para os parámetros de suavizado dos que dependen os estimadores. O comportamiento das técnicas propostas analízase e compárase con enfoques semiparamétricos existentes mediante estudos de simulación e ilústrase mediante a análise de datos de préstamos bancarios., Xunta de Galicia; ED431C-2016-015, Xunta de Galicia; ED431C-2020-14, Xunta de Galicia; ED431G/01, Xunta de Galicia; ED431G 2019/01, The PhD candidate’s research was sponsored by the Spanish Grant for Predoctoral Research Trainees RD 103/2019. The work has been partially carried out during a stay at KU Leuven (Belgium), which was supported by inMOTION Programme of grants for pre-doctoral stays Inditex-UDC 2021. This research has also been partially supported by MINECO Grants MTM2017-82724-R and PID2020-113578RB-100, and by the Xunta de Galicia (Grupos de Referencia Competitiva ED431C-2016-015 and ED431C-2020-14 and Centro Singularde Investigación de Galicia ED431G/01 and ED431G 2019/01), all of them through the ERDF.