Tesis:
Modelos multivariantes para variables ordinales: Aplicaciones en estudios de calidad de servicio.
- Autor: MORENO DIAZ, Arminda
- Título: Modelos multivariantes para variables ordinales: Aplicaciones en estudios de calidad de servicio.
- Fecha: 2001
- Materia: Sin materia definida
- Escuela: FACULTAD DE INFORMATICA
- Departamentos: INTELIGENCIA ARTIFICIAL
- Acceso electrónico:
- Director/a 1º: RIOS INSUA, David
- Resumen: El tema principal de esta tesis es el desarrollo de una metodología bayesiana para el análisis de modelos de regresión ordinal multivariantes. Si bien el propósito inicial en la construcción de dichos modelos era crear un marco natural adecuado para estudiar los datos recogidos en encuestas de satisfacción de clientes, su generalización es inmediata para datos de igual naturaleza procedentes de otros campos. Por lo tanto, el carácter multidisciplinar del trabajo queda de manifiesto al contribuir tanto en el área del marketing, de los modelos matemáticos o estadísticos de servicio, como en la metodología bayesiana aplicada en la resolución de dichos modelos. La formulación matemática de los modelos y su utilización en aplicaciones prácticas reales son los otros objetivos fundamentales que pueden destacarse y más concretamente, la obtención de resultados finales que pasa por una descripción de los nuevos métodos computacionales utilizados y del por qué de su aplicación. Completan estos objetivos el estudio de selección de modelos. El punto de partida viene establecido por la consideración de los modelos jerárquicos de regresión ordinal como ejemplos de modelos lineales generalizados bayesianos. A continuación se introduce el concepto de variable latente, no con el significado e interpretación clásica de causalidad característico de los modelos de ecuaciones estructurales, sino como herramienta de aumento de datos (Albert y Chib, 1993) . Establecida la formulación y estructura básica de los modelos, se procede a la asignación de distribuciones a priori adecuadas. Se completa este paradigma bayesiano con la introducción de nuevos esquemas computacionales y herramientas de simulación, englobadas dentro de los Métodos Montecarlo con Cadenas de Markov.