Publicado

2020-01-01

LOS RESIDUALES RQR: UNA MEDIDA DIAGNÓSTICA EN R PARA LOS MODELOS CUB

THE RESIDUALS RQR: A DIAGNOSTIC MEASURE IN R FOR CUB MODELS

DOI:

https://doi.org/10.15446/rev.fac.cienc.v9n1.79512

Palabras clave:

Modelos CUB, Datos ordinales, Medida de ajuste, Residuales RQR, R. (es)
CUB models, Ordinal data, Fitting measure, RQR residuals, R. (en)

Descargas

Autores/as

  • Deisy Alejandra Mazo Vélez Universidad Nacional de Colombia
  • Freddy Hernández-Barajas Universidad Nacional de Colombia

El creciente uso de los modelos CUB como técnica para analizar variables de tipo ordinal, hace necesario considerar alguna herramienta que permita evaluar elementos como la bondad del ajuste obtenido y su capacidad predictiva. En este artículo se propone el uso de los residuales RQR como medida diagnóstica
de los modelos CUB en presencia y ausencia de covariables, lo cual es ejemplicado al analizar datos reales y simulados por medio del paquete cubm en el software R.

The growing use of CUB models as a technique to analyze ordinal variables makes it necessary to consider some tool that allows evaluating elements such as the goodness of the obtained adjustment and its predictive capacity. In this article we propose the use of RQR residuals as a diagnostic measure of CUB models in the presence and absence of covariates, which is exemplied when analyzing real and simulated data by means of the package cubm in the software R.

Referencias

Agresti, Alan. (2002), Categorical Data Analysis Second Edition. John Wiley & Sons. New York, U.S.A. 721 p.

Balirano, Giuseppe & Corduas, Marcella. (2008). Detecting semiotically-expressed humor in diasporic TV productions. Humor-International Journal of Humor Research. 21(3), 227-251.

Bentler, Peter & Weeks, David. (1980). Linear structural equations with latent variables. Psychometrika, 45(3), 289-308.

Bishop, Christopher. (1998). Learning in graphical models: Latent variable models. Springer. 371-403.

Cerchiello, Paola; Iannario, Maria; Piccolo, Domenico. (2010). Assessing risk perception by means of ordinal models. Mathematical and Statistical Methods for Actuarial Sciences and Finance. 75-83.

Corduas, Marcella; Iannario, Maria; Piccolo, Domenico. (2009). A class of statistical models for evaluating services and performances. Statistical methods for the evaluation of educational services and quality of products. 99-117.

Deldossi, Laura and Zappa, Diego.(2011). Measurement errors and uncertainty: a statistical perspective. In: New Perspectives in Statistical Modeling and Data Analysis. Berlin, Heidelberg. 145-153

D'Elia, Angela. (2008). A statistical modelling approach for the analysis of TMD chronic pain data. Statistical Methods in Medical Research. 17(4), 389-403.

D'Elia, Angela & Piccolo, Domenico. (2005). A mixture model for preferences data analysis. Computational Statistics & Data Analysis. 49(3), 917-934.

Dunn, P. & Smyth, G. (1996), Randomized quantile residuals. Journal of Computational and Graphical Statistics. 5(3), 236-244.

Gambacorta, Romina & Iannario, Maria. (2013). Measuring job satisfaction with mbox{CUB} models. Labour. 27(2), 198-224.

Harrell, Frank. (2001). Regression modeling strategies: Ordinal logistic regression. Springer, New York. 331-343.

Iannario, Maria. (2008). A class of models for ordinal variables with covariates effects. Quaderni di Statistica. 10, 53-72.

Iannario, Maria & Piccolo, Domenico. (2009). A program in R for CUB models inference. Version 2.

Iannario, Maria & Piccolo, Domenico (2010). A New Statistical Model for the Analysis of Customer Satisfaction. Quality Technology & Quantitative Management. 7(2), 149-168.

Iannario, Maria; Manisera, Marica; Piccolo, Domenico & Zuccolotto, Paola. (2012). Sensory analysis in the food industry as a tool for marketing decisions. Advances in Data Analysis and classification. 6(4), 303-321.

McCullagh, Peter (1980). Regression models for ordinal data. Journal of the royal statistical society. Series B (Methodological). 42(2), 109-142.

McFadden, Daniel & et al. (1973). Conditional logit analysis of qualitative choice behavior. Institute of Urban and Regional Development, University of California Berkeley, CA

Piccolo, Domenico. (2006). Observed information matrix for MUB models. Quaderni di Statistica. 8, 33-78.

R Core Team. (2019). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/

So, Ying & Kuhfeld, F. (1995). Multinomial logit models in SUGI 20 Conference Proceedings. 1227-1234.

Stasinopoulos, Mikis; Rigby, Robert; Heller, Gillian; Voudouris, Vlasios; De Bastiani, Fernanda. (2017) Flexible Regression and Smoothing: Using GAMLSS in R. New York, U.S.A. 571 p.

Cómo citar

APA

Mazo Vélez, D. A. y Hernández-Barajas, F. (2020). LOS RESIDUALES RQR: UNA MEDIDA DIAGNÓSTICA EN R PARA LOS MODELOS CUB. Revista de la Facultad de Ciencias, 9(1), 92–111. https://doi.org/10.15446/rev.fac.cienc.v9n1.79512

ACM

[1]
Mazo Vélez, D.A. y Hernández-Barajas, F. 2020. LOS RESIDUALES RQR: UNA MEDIDA DIAGNÓSTICA EN R PARA LOS MODELOS CUB. Revista de la Facultad de Ciencias. 9, 1 (ene. 2020), 92–111. DOI:https://doi.org/10.15446/rev.fac.cienc.v9n1.79512.

ACS

(1)
Mazo Vélez, D. A.; Hernández-Barajas, F. LOS RESIDUALES RQR: UNA MEDIDA DIAGNÓSTICA EN R PARA LOS MODELOS CUB. Rev. Fac. Cienc. 2020, 9, 92-111.

ABNT

MAZO VÉLEZ, D. A.; HERNÁNDEZ-BARAJAS, F. LOS RESIDUALES RQR: UNA MEDIDA DIAGNÓSTICA EN R PARA LOS MODELOS CUB. Revista de la Facultad de Ciencias, [S. l.], v. 9, n. 1, p. 92–111, 2020. DOI: 10.15446/rev.fac.cienc.v9n1.79512. Disponível em: https://revistas.unal.edu.co/index.php/rfc/article/view/79512. Acesso em: 29 ene. 2025.

Chicago

Mazo Vélez, Deisy Alejandra, y Freddy Hernández-Barajas. 2020. «LOS RESIDUALES RQR: UNA MEDIDA DIAGNÓSTICA EN R PARA LOS MODELOS CUB». Revista De La Facultad De Ciencias 9 (1):92-111. https://doi.org/10.15446/rev.fac.cienc.v9n1.79512.

Harvard

Mazo Vélez, D. A. y Hernández-Barajas, F. (2020) «LOS RESIDUALES RQR: UNA MEDIDA DIAGNÓSTICA EN R PARA LOS MODELOS CUB», Revista de la Facultad de Ciencias, 9(1), pp. 92–111. doi: 10.15446/rev.fac.cienc.v9n1.79512.

IEEE

[1]
D. A. Mazo Vélez y F. Hernández-Barajas, «LOS RESIDUALES RQR: UNA MEDIDA DIAGNÓSTICA EN R PARA LOS MODELOS CUB», Rev. Fac. Cienc., vol. 9, n.º 1, pp. 92–111, ene. 2020.

MLA

Mazo Vélez, D. A., y F. Hernández-Barajas. «LOS RESIDUALES RQR: UNA MEDIDA DIAGNÓSTICA EN R PARA LOS MODELOS CUB». Revista de la Facultad de Ciencias, vol. 9, n.º 1, enero de 2020, pp. 92-111, doi:10.15446/rev.fac.cienc.v9n1.79512.

Turabian

Mazo Vélez, Deisy Alejandra, y Freddy Hernández-Barajas. «LOS RESIDUALES RQR: UNA MEDIDA DIAGNÓSTICA EN R PARA LOS MODELOS CUB». Revista de la Facultad de Ciencias 9, no. 1 (enero 1, 2020): 92–111. Accedido enero 29, 2025. https://revistas.unal.edu.co/index.php/rfc/article/view/79512.

Vancouver

1.
Mazo Vélez DA, Hernández-Barajas F. LOS RESIDUALES RQR: UNA MEDIDA DIAGNÓSTICA EN R PARA LOS MODELOS CUB. Rev. Fac. Cienc. [Internet]. 1 de enero de 2020 [citado 29 de enero de 2025];9(1):92-111. Disponible en: https://revistas.unal.edu.co/index.php/rfc/article/view/79512

Descargar cita

CrossRef Cited-by

CrossRef citations0

Dimensions

PlumX

Visitas a la página del resumen del artículo

335

Descargas

Los datos de descargas todavía no están disponibles.

Licencia

Derechos de autor 2020 Revista de la Facultad de Ciencias

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.

Los autores o titulares del derecho de autor de cada artículo confieren a la Revista de la Facultad de Ciencias de la Universidad Nacional de Colombia una autorización no exclusiva, limitada y gratuita sobre el artículo que una vez evaluado y aprobado se envía para su posterior publicación ajustándose a las siguientes características:

1.    Se remite la versión corregida de acuerdo con las sugerencias de los evaluadores y se aclara que el artículo mencionado se trata de un documento inédito sobre el que se tienen los derechos que se autorizan y se asume total responsabilidad por el contenido de su obra ante la Revista de la Facultad de Ciencias, la Universidad Nacional de Colombia y ante terceros.

2.    La autorización conferida a la revista estará vigente a partir de la fecha en que se incluye en el volumen y número respectivo de la Revista de la Facultad de Ciencias en el Sistema Open Journal Systems y en la página principal de la revista (https://revistas.unal.edu.co/index.php/rfc/index), así como en las diferentes bases e índices de datos en que se encuentra indexada la publicación.

3.    Los autores autorizan a la Revista de la Facultad de Ciencias de la Universidad Nacional de Colombia para publicar el documento en el formato en que sea requerido (impreso, digital, electrónico o cualquier otro conocido o por conocer) y autorizan a la  Revista de la Facultad de Ciencias para incluir la obra en los índices y buscadores que estimen necesarios para promover su difusión.

4.    Los autores aceptan que la autorización se hace a título gratuito, por lo tanto renuncian a recibir emolumento alguno por la publicación, distribución, comunicación pública y cualquier otro uso que se haga en los términos de la presente autorización.

5. Todos los contenidos de la Revista de la Facultad de Ciencias, están publicados bajo la Licencia Creative Commons Atribución – No comercial – Sin Derivar 4.0. 

MODELO DE CARTA DE PRESENTACIÓN y CESIÓN DE DERECHOS DE AUTOR