Algoritmos de búsqueda de proyección para detectar valores atípicos
Publicado
abr 28, 2020
Almetrics
Dimensions
Google Scholar
Maria Inés Stimolo
http://orcid.org/0000-0001-7277-1638
Pablo Arnaldo Ortiz
http://orcid.org/0000-0002-3777-0653
http://orcid.org/0000-0001-7277-1638
Pablo Arnaldo Ortiz
http://orcid.org/0000-0002-3777-0653
##plugins.themes.bootstrap3.article.details##
Resumen
En este trabajo se comparan los métodos propuestos por Peña y Prieto (2001) y Filzmoser, Maronna y Werner (2008) para detectar datos atípicos en empresas argentinas que cotizan sus acciones en el Mercado de Valores. La heterogeneidad significativa entre observaciones puede ser una consecuencia de la presencia de datos atípicos. La detección de datos atípicos es importante en el análisis estadístico por su efecto en la distorsión de las medidas descriptivas y en los estimadores de los parámetros. Existen distintos métodos multivariados para detectar datos atípicos, tales como los métodos basados en la distancia o los métodos de búsqueda de proyecciones.
Keywords
Outliers, projection pursuit, kurtosis, Argentinian companiesDatos atípicos, búsqueda de proyecciones, curtosis, empresas argentinasoutliers, busca de projeções, curtose, empresas argentinas
References
Anderson, M., Banker, R., & Janakiraman, S. (2003). Are selling, general, and administrative costs “sticky”? Journal of Accounting Research, 41(1), 47-63. https://doi.org/10.1111/1475-679X.00095
Banker, R., & Byzalov, D. (2014). Asymmetric cost behavior. Journal of Management Accounting Research, 26(2), 43-79. https://doi.org/10.2308/jmar-50846
Bolsar (s.f). Buenos Aires Stock Exchange. https://www.bolsar.com/VistasDL/PaginaPrincipal.aspx
Campbell, N. A. (1980). Robust procedures in multivariate analysis I: Robust covariance estimation. Applied statistics, 231-237. https://doi.org/10.2307/2346896
Filzmoser, P. (2015). Gschwandtner M. mvoutlier: Multivariate outlier detection based on robust methods. R package version 2.0.6.In. Routine available at http://halweb.uc3m.es/esp/Personal/personas/fjp/research.htm
Filzmoser, P., Maronna, R., & Werner, M. (2008). Outlier identification in high dimensions. Computational Statistics & Data Analysis, 52(3), 1694-1711. https://doi.org/10.1016/j.csda.2007.05.018
Gnanadesikan, R., & Kettenring, J. (1972). Robust estimates, residuals, and outlier detection with multiresponse data. Biometrics, 81-124. https://doi.org/10.2307/2528963
Maronna, R. A. (1976). Robust M-estimators of multivariate location and scatter. The Annals of Statistics, 51-67. https://doi.org/10.1214/aos/1176343347
Maronna, R. A., & Zamar, R. H. (2012). Robust estimates of location and dispersion for high-dimensional datasets. Technometrics. https://doi.org/10.1198/004017002188618509
Peña, D. (2002). Análisis de datos multivariantes, vol. 24. Madrid: McGraw-Hill.
Peña, D., & Prieto, F. J. (2001). Multivariate outlier detection and robust covariance matrix estimation. Technometrics, 43(3), 286-310. https://doi.org/10.1198/004017001316975899
Peña, D., & Yohai, V. (1999). A fast procedure for outlier diagnostics in large regression problems. Journal of the American Statistical Association, 94(446), 434-445. https://doi.org/10.1080/01621459.1999.10474138
Rocke, D. M. (1996). Robustness properties of S-estimators of multivariate location and shape in high dimension. The Annals of statistics, 1327-1345. https://doi.org/10.1214/aos/1032526972
Rousseeuw, P. J. (1985). Multivariate estimation with high breakdown point. Mathematical statistics and applications, 8, 283-297. https://www.researchgate.net/profile/Peter_Rousseeuw/publication/239666038_Multivariate_Estimation_With_High_Breakdown_Point/links/0deec53137b8cc68aa000000.pdf
Rousseeuw, P. J. (1993). A resampling design for computing high-breakdown regression. Statistics & probability letters, 18(2), 125-128. https://doi.org/10.1016/0167-7152(93)90180-Q
Rousseeuw, P. J., & Driessen, K. V. (1999). A fast algorithm for the minimum covariance determinant estimator. Technometrics, 41(3), 212-223. https://doi.org/10.1080/00401706.1999.10485670
Stahel, W. A. (1981). Robuste schätzungen: infinitesimale optimalität und schätzungen von kovarianzmatrizen: Eidgenössische Technische Hochschule - ETH. Zürich.
Uriel Jiménez, E., & Aldás Manzano, J. (2005). Análisis multivariante aplicado: aplicaciones al marketing, investigación de mercados, economía, dirección de empresas y turismo. Madrid: Thomson.
Banker, R., & Byzalov, D. (2014). Asymmetric cost behavior. Journal of Management Accounting Research, 26(2), 43-79. https://doi.org/10.2308/jmar-50846
Bolsar (s.f). Buenos Aires Stock Exchange. https://www.bolsar.com/VistasDL/PaginaPrincipal.aspx
Campbell, N. A. (1980). Robust procedures in multivariate analysis I: Robust covariance estimation. Applied statistics, 231-237. https://doi.org/10.2307/2346896
Filzmoser, P. (2015). Gschwandtner M. mvoutlier: Multivariate outlier detection based on robust methods. R package version 2.0.6.In. Routine available at http://halweb.uc3m.es/esp/Personal/personas/fjp/research.htm
Filzmoser, P., Maronna, R., & Werner, M. (2008). Outlier identification in high dimensions. Computational Statistics & Data Analysis, 52(3), 1694-1711. https://doi.org/10.1016/j.csda.2007.05.018
Gnanadesikan, R., & Kettenring, J. (1972). Robust estimates, residuals, and outlier detection with multiresponse data. Biometrics, 81-124. https://doi.org/10.2307/2528963
Maronna, R. A. (1976). Robust M-estimators of multivariate location and scatter. The Annals of Statistics, 51-67. https://doi.org/10.1214/aos/1176343347
Maronna, R. A., & Zamar, R. H. (2012). Robust estimates of location and dispersion for high-dimensional datasets. Technometrics. https://doi.org/10.1198/004017002188618509
Peña, D. (2002). Análisis de datos multivariantes, vol. 24. Madrid: McGraw-Hill.
Peña, D., & Prieto, F. J. (2001). Multivariate outlier detection and robust covariance matrix estimation. Technometrics, 43(3), 286-310. https://doi.org/10.1198/004017001316975899
Peña, D., & Yohai, V. (1999). A fast procedure for outlier diagnostics in large regression problems. Journal of the American Statistical Association, 94(446), 434-445. https://doi.org/10.1080/01621459.1999.10474138
Rocke, D. M. (1996). Robustness properties of S-estimators of multivariate location and shape in high dimension. The Annals of statistics, 1327-1345. https://doi.org/10.1214/aos/1032526972
Rousseeuw, P. J. (1985). Multivariate estimation with high breakdown point. Mathematical statistics and applications, 8, 283-297. https://www.researchgate.net/profile/Peter_Rousseeuw/publication/239666038_Multivariate_Estimation_With_High_Breakdown_Point/links/0deec53137b8cc68aa000000.pdf
Rousseeuw, P. J. (1993). A resampling design for computing high-breakdown regression. Statistics & probability letters, 18(2), 125-128. https://doi.org/10.1016/0167-7152(93)90180-Q
Rousseeuw, P. J., & Driessen, K. V. (1999). A fast algorithm for the minimum covariance determinant estimator. Technometrics, 41(3), 212-223. https://doi.org/10.1080/00401706.1999.10485670
Stahel, W. A. (1981). Robuste schätzungen: infinitesimale optimalität und schätzungen von kovarianzmatrizen: Eidgenössische Technische Hochschule - ETH. Zürich.
Uriel Jiménez, E., & Aldás Manzano, J. (2005). Análisis multivariante aplicado: aplicaciones al marketing, investigación de mercados, economía, dirección de empresas y turismo. Madrid: Thomson.
Cómo citar
Stimolo, M. I., & Ortiz, P. A. (2020). Algoritmos de búsqueda de proyección para detectar valores atípicos. Cuadernos De Administración, 33. https://doi.org/10.11144/Javeriana.cao33.ppado
Sección
Especial Innovación en la gestión del conocimiento a través de metodologías
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.