Coloquio de Estadística y Ciencia de Datos de la Pontificia Universidad Católica de Chile

Presentaremos distintos métodos de estimación no-paramétrica para la densidad con soporte compacto o dominio con geometría que puede ser compleja. Veremos como se fue afectado la calidad de estimadores clásicos al borde del dominio. En particular se propondrá un nuevo estimador basados en polinomios locales para estimar la densidad en un punto x. Veremos que este estimador puede adaptarse a distintas geometrías y que tiene propiedades optímales en términos del error cuadrático medio y de la regularidad de la función a estimar. Compararemos este método al método sparr que es una alternativa popular para la estimación de densidad en dominios a geometría complicada.

2023-06-16
12:00hrs.
Victor Hugo Lachos Davila. Department of Statistics, University of Connecticut
Lasso regularization for censored regression and high-dimensional predictors
Sala 1
Abstract:
The censored regression model, also known as the Tobit model, is designed to estimate linear relationships between variables in cases where the dependent variable is either left- or right-censored. In this study, we propose a heuristic expectation–maximization (EM) algorithm for handling censored regression models with Lasso regularization for variable selection, and to accommodate high-dimensional predictors. The procedure is computationally efficient and easily implemented. We describe how this technique can be easily implemented using available R packages. The proposed methods are assessed using simulated and two real datasets, in cases where p is less or equal, or greater than n.
2023-06-07
11:30hrs.
Cristóbal Guzmán. PUC
Advances in Differentially Prívate Stochastic Saddle Points.
Sala 2
2023-05-31
11:30hrs.
Matteo Gianella. Dipartimento Di Matematica, Politecnico Di Milano
(Gaussian) graphical models: two examples in Bayesian Statistics
Sala 2
Abstract:
Graphical models are a powerful tool when the aim is to study dependencies between random variables. In this talk, we give two examples of their use under the Bayesian paradigm. One is  motivated by the analysis of spectrometric data. We introduce a Gaussian graphical model for learning the dependence structure among frequency bands of the infrared absorbance spectrum. The spectra are modeled as continuous functional data through a B-spline basis expansion, while a Gaussian graphical model is assumed as a prior specification for the smoothing coefficients to induce sparsity in the associated precision matrix. The second example focuses on areal data,  where the neighbouring structure is modeled via an undirected graph. We extend the model  in Beraha et al. (2021) to jointly perform density estimation and boundary detection.
2023-05-10
11:30hrs.
Francisco Cuevas. Universidad Técnica Federico Santa María.
Modelando la función de intensidad de un patrón puntual espacial usando un modelo de log-convolución
Sala 2 Rolando Chuaqui
Abstract:
En el análisis de patrones puntuales, estimar la función de intensidad de primer orden es muy importante, y es por esto que diferentes perpectivas han sido adoptadas. En este trabajo, y motivados por datos de las sacadas oculares, introducimos un modelo para el logaritmo de la intensidad basada en la convolución entre una covariable y una función a estimar, β(·). Mostramos que, basados en el análisis de Fourier, el problema de estimar β(·) es equivalente a estimar infinitos par ?ametros. Luego de truncar, proponemos un método de estimación penalizado para resolver este problema.