Robust estimation and forecasting for beta-mixed hierarchical models of grouped binary data

Abstract

L'article desenvolupa t`ecniques d'estimaci?o i predicci?o robusta per a dades bin`aries agrupades quan hi ha respostes classificades malament. Les dades es descriuen mitjan?cant un model jer`arquic, b?e el beta-binomial o b?e el beta-log?istic, mentre que les males classificacions estan causades per les distorsions estoc`astiques additives de les observacions bin`aries. Per a aquests models, s'avalua l'efecte d'ignorar la mala classificaci?o i es donen expressions per als biaixos dels estimadors obtinguts pel m`etode dels moments i per la m`axima versemblan?ca. Tamb?e es donen expressions per a l'augment de l'error de predicci?o, en mitjana quadr`atica, dels predictors de Bayes. Per compensar els efectes de la mala classificaci?o, es construeixen nous estimadors consistents i un nou predictor de Bayes que tenen en compte la distorsi?o en el model. La robustesa de les t`ecniques desenvolupades es demostra mitjan?cant simulacions i l'estudi d'un cas real.