• Técnicas de Remuestreo
  • Prólogo
  • 1 Motivación del principio Bootstrap
    • 1.1 Introducción
      • 1.1.1 Breve nota histórica
      • 1.1.2 Paradigma inferencial y análogo bootstrap
      • 1.1.3 Implementación en la práctica
    • 1.2 El Bootstrap uniforme
      • 1.2.1 Ejemplos
    • 1.3 Cálculo de la distribución Bootstrap: exacta y aproximada
      • 1.3.1 Distribución bootstrap exacta
      • 1.3.2 Vectores de remuestreo
      • 1.3.3 Inferencia sobre la mediana
      • 1.3.4 Distribución Bootstrap aproximada por Monte Carlo
      • 1.3.5 Elección del número de réplicas Monte Carlo
    • 1.4 Herramientas disponibles en R sobre bootstrap
      • 1.4.1 El paquete boot
      • 1.4.2 Ejemplo: Bootstrap uniforme multidimensional
  • 2 Estimación de la precisión y el sesgo de un estimador
    • 2.1 Estimación bootstrap de la precisión y el sesgo de un estimador
      • 2.1.1 Ejemplo: la media muestral
    • 2.2 Motivación del método Jackknife
    • 2.3 Estimación Jackknife de la precisión y el sesgo de un estimador
    • 2.4 Relación Bootstrap/Jackknife en dicha estimación
  • 3 Modificaciones del Bootstrap uniforme
    • 3.1 Bootstrap paramétrico
    • 3.2 Bootstrap simetrizado
    • 3.3 Bootstrap suavizado
    • 3.4 Bootstrap ponderado y bootstrap sesgado
    • 3.5 Deficiencias del bootstrap uniforme
      • 3.5.1 Ejemplo (método alternativo)
    • 3.6 Validez de la aproximación Bootstrap
    • 3.7 Bootstrap semiparamétrico y bootstrap residual
      • 3.7.1 Remuestreo de las observaciones
      • 3.7.2 Bootstrap residual
  • 4 Intervalos de confianza bootstrap
    • 4.1 Intervalos basados en la distribución normal asintótica
    • 4.2 Método percentil (básico)
    • 4.3 Método percentil-t
    • 4.4 Método percentil-t simetrizado
    • 4.5 Tabla resumen de los errores de cobertura
    • 4.6 Ejemplos
      • 4.6.1 IC bootstrap para la media mediante el método percentil-t simetrizado
      • 4.6.2 Estudio de simulación
      • 4.6.3 IC bootstrap para el coeficiente de correlación
  • 5 Aplicaciones del Bootstrap en contrastes de hipótesis
    • 5.1 Aproximación del p-valor mediante remuestreo
    • 5.2 Contrastes bootstrap paramétricos
      • 5.2.1 Ejemplo: contraste de Kolmogorov-Smirnov
    • 5.3 Contrastes de permutaciones
      • 5.3.1 Ejemplo: Inferencia sobre el coeficiente de correlación lineal
    • 5.4 Contrastes bootstrap semiparamétricos
      • 5.4.1 Ejemplo: Inferencia sobre modelos de regresión
      • 5.4.2 Ejercicio
  • 6 Bootstrap y estimación no paramétrica de la densidad
    • 6.1 Estimación no paramétrica de la función de densidad
    • 6.2 Sesgo, varianza y error cuadrático medio
      • 6.2.1 Sesgo
      • 6.2.2 Varianza
      • 6.2.3 Error cuadrático medio
      • 6.2.4 Error cuadrático medio integrado (MISE)
    • 6.3 Aproximación Bootstrap de la distribución del estimador de Parzen-Rosenblatt
      • 6.3.1 Distribución asintótica del estimador de Parzen-Rosenblatt
      • 6.3.2 Aproximación plug-in
      • 6.3.3 Aproximación bootstrap
    • 6.4 El Bootstrap en la selección del parámetro de suavizado.
      • 6.4.1 Expresión asintótica de la ventana óptima
      • 6.4.2 Análogo bootstrap del \(MISE\)
      • 6.4.3 Expresión cerrada para \(MISE^{\ast}\)
      • 6.4.4 Elección de la ventana piloto
      • 6.4.5 Resultados teóricos
      • 6.4.6 Caso particular de núcleo gaussiano
      • 6.4.7 Comparación con otros selectores
    • 6.5 Estimación no paramétrica de la densidad en R
    • 6.6 Ejemplos
      • 6.6.1 Bootstrap y estimación del sesgo
      • 6.6.2 Estimación por intervalos de confianza
      • 6.6.3 Implementación con el paquete boot
  • 7 Bootstrap y regresión no paramétrica
    • 7.1 Estimador de Nadaraya-Watson
      • 7.1.1 Distribución asintótica del estimador de Nadaraya-Watson
      • 7.1.2 Órdenes de convergencia de la distribución del estimador de Nadaraya-Watson a su distribución asintótica
      • 7.1.3 Aproximación plug-in
    • 7.2 Métodos de remuestreo en regresión no paramétrica
      • 7.2.1 Wild bootstrap
      • 7.2.2 Bootstrap suavizado en la variable explicativa
      • 7.2.3 Resumen comparativo
    • 7.3 Regresión polinómica local en R
      • 7.3.1 Estimación de la varianza
    • 7.4 Ejemplos
      • 7.4.1 Bootstrap residual
      • 7.4.2 Intervalos de confianza y predicción
      • 7.4.3 Wild bootstrap
      • 7.4.4 Ejercicio
  • 8 El Bootstrap con datos censurados
    • 8.1 Introducción a los datos censurados
      • 8.1.1 Estimador de Kaplan-Meier
      • 8.1.2 Distribución asintótica del estimador de Kaplan-Meier
    • 8.2 Remuestreos Bootstrap en presencia de censura
      • 8.2.1 El bootstrap simple
      • 8.2.2 El bootstrap obvio
    • 8.3 Relaciones entre los métodos de remuestreo bajo censura
      • 8.3.1 Equivalencia entre el bootstrap simple y el obvio
      • 8.3.2 El bootstrap de Reid
      • 8.3.3 Validez de los planes de remuestreo
    • 8.4 Implementación en R (con los paquetes boot y survival)
      • 8.4.1 Bootstrap simple
      • 8.4.2 Otros métodos de remuestreo
    • 8.5 Ejercicios
  • 9 El Bootstrap con datos dependientes
    • 9.1 Introducción a las condiciones de dependencia y modelos habituales de datos dependientes
      • 9.1.1 Situaciones de dependencia general
      • 9.1.2 Modelos paramétricos de dependencia
    • 9.2 El bootstrap en la estimación con datos dependientes
      • 9.2.1 Modelos paramétricos de dependencia
      • 9.2.2 Situaciones de dependencia general
      • 9.2.3 El bootstrap por bloques
      • 9.2.4 Elección de \(b\)
      • 9.2.5 El bootstrap estacionario
      • 9.2.6 El método del submuestreo
    • 9.3 El bootstrap para la predicción con datos dependientes
      • 9.3.1 Modelos de dependencia paramétrica
      • 9.3.2 Situaciones de dependencia general
    • 9.4 Implementación en R
    • 9.5 Implementación en R con el paquete boot
      • 9.5.1 Rnews 1
      • 9.5.2 Rnews 2
    • 9.6 Ejercicios
    • 9.7 Implementación en R con el paquete forecast
      • 9.7.1 Bootstrap condicional (a partir de un modelo ajustado)
    • 9.8 Spatial data
  • Referencias
  • Apendices
  • A Enlaces
    • A.1 Forecasting: Principles and Practice
    • A.2 Spatial data
  • B Introducción al procesamiento en paralelo en R
    • B.1 Introducción
    • B.2 Paquetes en R
    • B.3 Ejemplos
      • B.3.1 Procesamiento en paralelo con la función boot()
      • B.3.2 Estudio de simulación
  • Publicado con bookdown

Técnicas de Remuestreo

A.1 Forecasting: Principles and Practice

Forecasting: Principles and Practice, 2ª ed by Rob J. Hyndman and George Athanasopoulos:

  • 3.1 Some simple forecasting methods

  • 3.6 The forecast package in R

  • 11.4 Bootstrapping and bagging

  • Appendix: For instructors