[Date Prev][Date Next]
[Chronological]
[Thread]
[Top]
AVVISO DI SEMINARI
Universita degli Studi di Pavia
Dipartimento di Economia Politica e Metodi Quantitativi
SEMINARI DI STATISTICA
FRANCESCO CORIELLI
Istituto di Metodi Quantitativi
Universita L. Bocconi
NUMERI CASUALI E NUMERI PSEUDO CASUALI NEL METODO DI MONTECARLO
Giovedi 21 marzo 1996, ore 16,00
Riassunto:
I risultati di convergenza alla base del metodo di Montecarlo si basano
sulla disponibilita di successioni di numeri casuali uniformemente
distribuiti ed indipendenti. Nella pratica vengono utilizzate
successioni di numeri pseudo casuali generati da semplici equazioni alle
differenze non lineari.
Ci chiediamo: "perche, in molti casi, il metodo di Montecarlo funziona
lo stesso?".
Nella letteratura in materia la cosa non e, almeno a nostra conoscenza,
mai discussa a fondo. In effetti esistono due letterature alquanto
separate, una sui generatori, che mette di continuo in guardia
sull'inesistenza di un "generatore universalmente valido" e una sul
metodo di Montecarlo vero e proprio che presuppone l'esistenza di tale
generatore.
Ci sembra invece importante discutere perche e quando il metodo di
Montecarlo puo funzionare.
Saranno esaminate tre possibili spiegazioni alternative:
- a volte il metodo di Montecarlo e equivalente a metodi numerici
deterministici, quindi il suo successo puo essere collegato non tanto a
questioni probabilistiche quanto a tale equivalenza. Il caso tipico e la
classica regola di integrazione Montecarlo;
- i generatori di numeri pseudo casuali sono "messi sul mercato" quando
passano alcuni elementari test di non correlazione e di distribuzione
uniforme, in questo senso il loro funzionamento potrebbe essere solo
apparente: quello che vediamo non e altro che quello che e stato imposto
al generatore. Le conseguenze sarebbero piuttosto pericolose: poiche la
successione generata da un generatore e unica. Se questa successione
soddisfa a certi requisiti non e in grado di soddisfare ad altri che
potrebbero essere proprio quelli importanti per noi (in particolare i
generatori non sono, se non costruiti appositamente, in grado di
riprodurre noti risultati sulle grandi deviazioni).
- in alcuni casi i generatori risolvono problemi enumerativi la cui
soluzione equivale a quella dello pseudo problema probabilistico ad essi
posto.
Sarebbe tranquillizzante se questo valesse in generale, se cioe ad ogni
problema "probabilistico" che i numeri pseudo casuali non possono
risolvere, corrispondesse un problema enumerativo dotato di soluzione
formalmente analoga. Questo purtroppo non e vero anche se in vari casi
la lettura regge e risulta interessante.
Universita degli Studi di Pavia
Dipartimento di Economia Politica e Metodi Quantitativi
SEMINARI DI STATISTICA
SONIA PETRONE
Universita di Pavia
UNA PROCEDURA BAYESIANA NON PARAMETRICA PER LA STIMA DI DENSITA'
28 marzo 1996, ore 16,00
Riassunto:
La letteratura statistica sulla stima bayesiana non parametrica di
densita non e molto ampia, specie se confrontata con la vastissima gamma
di tecniche disponibili in ambito classico.
Nel seminario si propone una procedura bayesiana non parametrica per la
stima di densita, nel caso di dati a valori in un intervallo chiuso e
limitato, diciamo [0, 1]. La proposta utilizza una nuova distribuzione
iniziale sulla classe dell funzioni di ripartizione su [0, 1], che
soddisfa le condizioni richieste usualmente all'iniziale nell'inferenza
bayesiana nonparametrica e che corrisponde ad assumere un modello
statistico di forma chiara, una combinazione lineare di densita beta.
Quest'ultima proprieta non e invece vera per le distribuzioni iniziali
piu diffusamente utilizzate in ambito bayesiano non parametrico.
La stima di densita proposta sara confrontata con alcune delle tecniche
piu diffuse, quali quelle basate su funzioni nucleo o su splines, e in
particolare con le tecniche bayesiane basate sul lisciamento del
processo di Dirichlet.
Si propone inoltre un algoritmo di tipo Montecarlo per superare le
difficolta analitiche nel calcolo della distribuzione finale. Tali
difficolta sono comuni a tutti i problemi in cui il modello statistico e
una mistura di distribuzioni; per questo, l'algoritmo proposto puo
essere interessante piu in generale per la trattazione bayesiana di
problemi di misture con numero di componenti incognito.
Universita degli Studi di Pavia
Dipartimento di Economia Politica e Metodi Quantitativi
SEMINARI DI STATISTICA
CLELIA DI SERIO
Universita di Pavia
PROBLEMI DI DIPENDENZA
IN AMBITO DI COMPETING RISK
Martedi 2 aprile 1996, ore 16,00
Riassunto:
In ambito della teoria della sopravvivenza risulta di particolare
interesse lo studio dei modelli di competing risks per le implicazioni
che derivano dalle assunzioni circa l'indipendenza delle distribuzioni
marginali dei tempi di failure, strettamente legate alla particolare
natura dei dati di competing risks. Partendo da uno studio medico sul
trapianto del midollo spinale in pazienti leucemici (BMT), e stato
possibile vedere come problemi di non identificabilita a livello teorico
si traducano in difficolta di interpretazione dei dati in termini
diagnostici. In particolare tale difficolta interpretativa e sorta nel
momento in cui, da una analisi standard dei dati medici, si sono
rilevati fenomeni di "inattesa protettivita" di variabili esplicative ad
alto potenziale di aumento del rischio di insuccesso del trapianto. In
letteratura esiste una tendenza diffusa ad attribuire i fenomeni di
"inattesa protettivita" alla mancanza di indipendenza tra i rischi
competitivi che rende non piu interpretabile lo stimatore di
Kaplan-Meier. Pertanto il nostro approccio parte dal considerare
unicamente le funzioni "crude" che non richiedono cioe alcuna assunzione
circa il meccanismo di censoring. In questo ambito una funzione di
fondamentale importanza risulta la curva delle incidenze cumulate che,
in un ottica di processi di conteggio, viene rivisitata in termini di
probabilita di transizione. Sulla base di tale funzione costruiamo degli
indicatori che in assenza di variabili esplicative risolvono i problemi
di non-identificabilita delle marginali in quanto sempre stimabili. Per
studiare il problema iniziale della "inattesa protettivita" e necessario
completare l'analisi con l'introduzione delle variabili esplicative. Per
fare questo e stato costruito un esperimento di Monte Carlo in cui la
dipendenza viene creata attraverso una comune variabile di "frailty".
Lo scopo della simulazione e di capire se la mancanza di indipendenza
puo realmente far apparire protettivo un fattore ad alto rischio, e se
in tale caso gli indicatori visti in assenza di covariate siano in grado
di risolvere il problema. I risultati della simulazione suggeriscono che
non e la dipendenza la diretta responsabile della "protettivita
apparente" e pertanto la funzione delle incidenze cumulate non risulta
di alcuna utilita in tale contesto.
La falsa protettivita risulta invece strettamente connessa alla
dimensione e al segno della relazione di dipendenza tra il fattore di
frailty e la variabile esplicativa cui viene attribuita la protettivita.
A questo proposito il problema si puo spostare sul come introdurre
l'effetto della frailty nel modello; alcune proposte vengono suggerite.
Ci si chiede infine come sarebbe invece possibile analizzare il problema
partendo da presupposti del tutto diversi quale un approccio bayesiano
non parametrico.
Lorena Arbusti
Dip.to di Economia Politica e M. Q.
Via S. Felice, 5
27100 PAVIA
TEL. (+39) 382 506208
FAX (+39) 382 304226