Aportaciones a la inferencia no paramétrica en modelos aditivos generalizados y extensionesaplicaciones en medioambientes y salud

Abstract

Este trabajo de Tesis Doctoral se ha centrado en el estudio de la inferencia de los modelos aditivos generalizados (GAM), y la metodología propuesta se ha extendido apropiadamente para tratar algunas generalizaciones interesantes de los GAM. Los principales objetivos son, de forma resumida, los que siguen: 1,- Desarrollo de la metodología que permite la incorporación, en los GAM, de la función link desconocida y la inclusión de posibles interacciones entre el efecto de las covariables continuas. 2,- Desarrollo de mecanismos que permitan , de forma automática, la elección de las ventanas de suavización utilizadas en la estimación del modelo. 3,- Desarrollo de técnicas de remuestreo bootstrap para la obtención de intervalos de confianza de las estimaciones resultantes, e implementación práctica de los tests de interacción. 4,- Incorporación de técnicas de aceleración computacional (Binning) en nuestros algoritmos de estimación: Este aspecto es fundamental en la aplicación práctica de nuestros modelos en base de datos con tamaños muestrales elevados. 5,- Validación de la metodología propuesta en muestras de tamaño finito mediante estudios de simulación. 6,- Aplicación a datos reales en medioambiente y salud. En este contexto, de resolvió estadísticamente ciertos tópicos de interés en el campo de la Epidemiología (estimación no paramétrica de las curvas Odds-Ratio, ..) y del campo del medioambiente (obtención de ecuaciones de predicción para series temporales binarias, ..). 7,- Desarrollo de software que pueda ser utilizado de manera adecuada por todos aquellos profesinales de interesados en la utilización de la metodología propuesta.