Uso de las ecuaciones simultáneas en la predicción de parámetros de distribuciones diamétricas

Abstract

La predicción de parámetros es un procedimiento ampliamente usado para predecir distribuciones de variables aleatorias a través de un conjunto de variables exógenas relacionadas con la distribución. Tal procedimiento de predicción por lo general, usa modelos lineales, cuyos ajustes generalmente son pobres y la mayoría de ellos viola algunos supuestos básicos del modelo de regresión lineal. Este artículo presenta una comparación entre las forma tradicional de ajuste de los modelos de predicción de parámetros y un procedimiento donde se corrigen los supuestos de normalidad de la variable dependiente, heteroscedasticidad, autocorrelación e independencia de los errores entre ecuaciones. Ambos procedimientos se comparan con distribuciones no usadas en el ajuste y procedentes de la misma población. Los resultados muestran que ambos procedimientos proporcionan estimadores significativamente diferentes y que los modelos de predicción corregidos, a pesar de tener menor bondad de ajuste brindan mejores predicciones. De aquí que las correcciones a violaciones de los supuestos básicos del modelo lineal mejoran las relaciones que deben conservar los parámetros para recuperar las funciones de densidad reales, que presenta el rodal.

Parameter prediction is a widely used procedure to recover density functions of random variables from a set of exogenous variables related to the distribution. Such a prediction procedure uses lineal models, whose fits are generally poor and most of them violate some basic lineal regression model assumptions. This paper presents a comparison between the traditional way to fit parameter prediction models and a procedure where violations to the lineal regression model assumptions such as normality of the dependent variable, heteroscedasticity, autocorrelation and error independence of equations are corrected. Both procedures are compared with distributions not used to fit the models and from de same population. Results show that both procedures yield significantly different cstimates and that the set of parameters estimated from the corrected prediction models yield better predictions, although they have lower goodness of fit than the traditionally estimated parameters. Hence corrections to the lineal model assumptions improve the relationships that the parameters must keep in order to recover the actual density function.