Tesis

Universidad Mayor de San Andrés
Facultad de Ciencias Puras y Naturales

“Carrera de Estadı́stica”
Modelo de Ecuaciones Estructurales con

enfoque Bayesiano, aplicado en la detección
de Rotavirus
T E S I S
QUE PARA OPTAR POR EL GRADO DE:
Licenciado en Estadı́stica
PRESENTA:
Cristobal Franco Mirabal
DIRECTOR:
Dr(c) Ramiro Coa
La Paz, Bolivia, 2019

A mi familia y amigos.
Es gracias a ustedes que es posible el presente trabajo.
En verdad, gracias.
Yo.
Reconocimientos
También quisiera reconocer a ... por ...CONACYT, PAPIIT / etc. Lorem ipsum
dolor sit amet, consectetuer adipiscing elit. Etiam lobortis facilisis sem. Nullam nec mi
et neque pharetra sollicitudin. Praesent imperdiet mi nec ante. Donec ullamcorper, felis
non sodales commodo, lectus velit ultrices augue, a dignissim nibh lectus placerat pede.
Vivamus nunc nunc, molestie ut, ultricies vel, semper in, velit. Ut porttitor. Praesent
in sapien. Lorem ipsum dolor sit amet, consectetuer adipiscing elit. Duis fringilla tristi-
que neque. Sed interdum libero ut metus. Pellentesque placerat. Nam rutrum augue a
leo. Morbi sed elit sit amet ante lobortis sollicitudin. Praesent blandit blandit mauris.
Praesent lectus tellus, aliquet aliquam, luctus a, egestas a, turpis. Mauris lacinia lorem
sit amet ipsum. Nunc quis urna dictum turpis accumsan semper.
iii
Declaración de autenticidad
Por la presente declaro que, salvo cuando se haga referencia especı́fica al trabajo
de otras personas, el contenido de esta tesis es original y no se ha presentado total o
parcialmente para su consideración para cualquier otro tı́tulo o grado en esta o cual-
quier otra Universidad. Esta tesis es resultado de mi propio trabajo y no incluye nada
que sea el resultado de algún trabajo realizado en colaboración, salvo que se indique
especı́ficamente en el texto.
Cristobal Franco Mirabal. La Paz, Bolivia, 2019
v
Resumen
Los Modelos de Ecuaciones Estructurales (MEEs) con variables latentes se usan

frecuentemente en las ciencias salud, y son cada vez más importantes en el área de la
investigación. La implementación habitual de los MEEs se basa en métodos frecuentis-
tas. Como alternativa, en este trabajo proponemos una descripción simple y concisa del
enfoque bayesiano. Además, se proporcionará una breve revisión de la literatura, una
descripción de la especificación bayesiana de los MEEs, y un esquema de las estrategias
computacionales necesarias para ajustar el modelo. La inferencia bayesiana se muestra
a través de un ejemplo tomado de la literatura sobre los efectos de la sintomatologı́a del
paciente. El enfoque bayesiano proporciona muchas ventajas, tanto por su flexibilidad
como por la disponibilidad de muestras de la distribución a posteriori de los paráme-
tros del modelo y de las variables latentes. Estas muestras a posteriori proporcionan
información importante que no está contenida en los parámetros del Modelo.
vii
Índice general
Índice de figuras XI
Índice de tablas XIII
1. Introducción 1
1.1. Presentación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3. Motivación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.4. Planteamiento del problema . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.5. Metodologı́a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.6. Contribuciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.7. Estructura de la tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2. Marco teórico 5
3. Diseño del experimento 7

3.1. Sección . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.2. Sección en color azul . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.2.1. Subsección . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.2.2. Otra subsección . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
4. Análisis de Resultados 11
4.1. Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
5. Conclusiones 13
A. Código/Manuales/Publicaciones 15
A.1. Apéndice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
ix
Índice de figuras
3.1. Descripción de la planta . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
xi
Índice de tablas
3.1. Parámetros dinámicos del carro-péndulo . . . . . . . . . . . . . . . . . . 9
xiii
Capı́tulo 1
Introducción
1.1. Presentación
Los Modelos de Ecuaciones Estructurales (MEEs) con variables latentes propor-
cionan un marco muy general para modelizar las relaciones existentes en datos multi-
variantes (Bollen,1989). Aunque los MEEs se usan más comúnmente en estudios que
contienen intrı́nsecamente variables latentes, como por ejemplo la fiebre ocasionada por
el aumento de la temperatura corporal, también proporcionan un marco parsimonioso
para modelizar la estructura de covarianzas, es decir, a través de las covarianzas de
las variables observadas se intenta conocer las relaciones que existen entre las variables
latentes (no observadas). Por esta razón se han empezado a utilizar cada vez más fuera
de las ciencias de la salud, donde tradicionalmente ya se hacı́a. Actualmente, el software
existente para el ajuste de MEEs, incluido LISREL (Joreskog y Sorbom, 1996), MPLUS
(Muthén y Muthén, 1998, 2003) y BMDP (Bentler, 1992), se basa en métodos frecuen-
tistas. Estos normalmente se basan en estimaciones puntuales y contraste de hipótesis
para los parámetros de las variables observables y latentes, marginalizando sobre las
variables latentes. Los MEEs se ajustan comúnmente usando métodos de estimación
basados en máxima verosimilitud (Joreskog y Sorbom, 1985) o basados en mı́nimos
cuadrados generalizados (Browne, 1974). Estos métodos permiten fácilmente usar mix-
turas de variables observadas, tanto continuas como categóricas, mediante el uso de una
estructura variable subyacente (Muthén, 1984; Arminger y Kusters, 1988). Investiga-
ciones recientes han desarrollado extensiones que permiten interacciones y estructuras
no lineales (Joreskog y Yang, 1996; Bollen y Paxton, 1998; Wall y Amemiya, 2000).
Aunque la mayor parte de la literatura sobre MEEs es frecuentista, son numerosos los
enfoques bayesianos que se han propuesto hasta el momento. Para modelos de factores,
los cuales son un caso especial de MEEs, hay una larga lista de métodos bayesianos (ver,
por ejemplo, Martin y McDonald, 1975; Lee, 1981; Ansari y Jedidi, 2000; Lopes y West,
2004). Para MEEs bayesianos más generales, los inicios se deben a Bauwens (1984) y
Lee (1992). Recientemente los estudios se han centrado en el uso de cadenas de Markov
mediante métodos de Monte Carlo (MCMC) para implementar el análisis bayesiano de
1
1. INTRODUCCIÓN
casos complejos: con estructuras no lineales (Arminger y Muthén, 1998; Lee y Song,
2004), con heterogeneidad (Ansari, Jedidi y Jagpal, 2000; Lee y Song, 2003), y datos
multi-nivel (Dunson, 2000; Jedidi y Ansari, 2001; Song y Lee, 2004; Jackman, 2004).
Además, Raftery (1993) se centra en el problema importante de selección de modelos
en MEEs desde la perspectiva bayesiana. Otros artı́culos sobre MEEs bayesianos han
sido publicados por Scheines, Holjtink y Boomsma (1999), y Lee y Shi (2000).
1.2. Objetivo
El objetivo de este trabajo no es revisar todos estos enfoques, sino proporcionar una
visión fácil y accesible del enfoque bayesiano en los MEEs, ilustrando algunas de sus
ventajas frente a la práctica habitual frecuentista. La flexibilidad del enfoque bayesiano
permite aplicar el método en gran variedad de modelos basados en MEE, tales como
aquellos que consideran interacciones no lineales, datos ausentes, mezcla de variables
observadas categóricas, ordinales y continuas, etc.
1.3. Motivación
Hay muchas diferencias importantes entre el enfoque bayesiano y el frecuentista,
aunque destacaremos dos: a) La especificación del modelo. El enfoque bayesiano re-
quiere la especificación de una distribución a priori para cada parámetro desconocido
del modelo, incluyendo las variables latentes. El enfoque frecuentista tı́picamente asume
distribuciones Gausianas para las variables latentes, pero no especifica distribuciones
a priori para la media y/o covarianzas. Dado que las distribuciones a posteriori sobre
las que se basa la inferencia bayesiana dependen tanto de la distribución a priori como
de la verosimilitud de los datos, la primera juega un papel importante. Las ventajas
que se obtienen son: 1) la especificación de la distribución a priori permite incorporar
información substancial sobre las relaciones estructurales, la cual puede provenir de es-
tudios previos o de la propia teorı́a. En ausencia de esta información podemos utilizar
distribuciones a priori poco informativas o vagas; 2) a medida que aumenta el tama˜no
muestral, la distribución a posteriori estará menos dominada por la a priori y, por tanto,
los estimadores frecuentistas y bayesianos tenderán a estar muy cercanos. b) La estima-
ción del los parámetros. El ajuste del modelo bayesiano se basa normalmente en técnicas
MCMC. Para ello se requiere muestrear de la distribución conjunta a posteriori de los
parámetros y variables latentes a través de un procedimiento computacionalmente in-
tensivo. La ventajas que se obtienen son: 1) las técnicas MCMC no necesitan asumir
muestras grandes (normalidad asintótica) y permiten estimar distribuciones a posteriori
exactas para cualquier parámetro del modelo. En casos donde disponemos de muestras
peque˜nas y medianas, estas distribuciones a posteriori exactas pueden proporcionar
una medida más realista de la incertidumbre del modelo, reflejando asimetrı́a y sin
requerir el uso de métodos delta u otras aproximaciones; 2) se obtienen muestras de la
2
1.4 Planteamiento del problema
distribución conjunta a posteriori de las variables latentes. Estas muestras se podrán

usar para obtener conclusiones importantes sobre las relaciones estructurales, las cua-
les pueden no estar claras a la vista de las estimaciones (bayesianas o frecuentistas)
de los parámetros estructurales. El precio de estas ventajas es que se puede tardar
mucho tiempo (e.g. varias horas) en obtener suficientes muestras de la distribución a
posteriori para que el error Monte Carlo en las estimaciones sea despreciable. Esto es
particularmente cierto en los MEEs, ya que puede haber problemas de slow mixing en
las cadenas, produciendo alta autocorrelación en las muestras MCMC. Esta autocorre-
lación se puede reducir enormemente mediante una parametrización cuidadosa o trucos
computacionales y/o expansión de parámetros.
1.4. Planteamiento del problema
1.5. Metodologı́a
La metodologı́a empleada para el desarrollo de este trabajo se basa en la aproxi-
mación numérica de los parámetros mediante el uso computacional y simulación de las
distribuciones tanto a priori como a posteriori.
1.6. Contribuciones
La principal contribución de este trabajo es la reducción del error, en la estimación
de los parametros de las MEEs
1.7. Estructura de la tesis

La Sección 2 revisa el marco básico de los MEEs e introduce la notación que utiliza-
remos en este trabajo. En la Sección 3 se describe el enfoque bayesiano centrándose, por
claridad en la exposición, en los MEEs lineales normales. Además, se propondrán dis-
tribuciones a priori condicionalmente conjugadas para los parámetros del modelo, y se
presentará un esquema del algoritmo del muestreador de Gibbs usado para el muestreo
de la distribución a posteriori. La Sección 4 aplica el enfoque bayesiano propuesto a un
ejemplo tomado de la literatura en salud: el impacto e influencia de los sı́ntomas en la
presencia del virus que causa la diarrea en niños menores de 5 años (ROTAVIRUS), en
el comportamiento del paciente. Se propondrá un algoritmo para ajustar dicho modelo
en el paquete estadı́stico R. Finalmente, en la Sección 5 se muestran las conclusiones y
se darán recomendaciones sobre las áreas de interés para investigación futura.
3
Capı́tulo 2
Marco teórico
En este capı́tulo, normalmete se ponen todas las ecuaciones que se van a usar en la
tesis, ası́ ya nomás se hace rferencia a la ecuación tal o çomo se vió en el capı́tulo 2”,
y esas cosas.
% D e c l a r a c i o n de l a s v a r i a b l e s s i m b o l i c a s
syms u z1 z2 z3 z4 J m M g l
% Matrices involucradas
E = [ J+m∗ l ∗ l m∗ l ∗ c o s ( z1 ) ;m∗ l ∗ c o s ( z1 ) M+m]
F = [m∗ g∗ l ∗ s i n ( z1 ) ; u+m∗ l ∗ ( z3 ∗ z3 ) ∗ s i n ( z1 ) ]
% Despeje
V = E\F
Lorem ipsum dolor sit amet, consectetuer adipiscing elit. Etiam lobortis facilisis
sem. Nullam nec mi et neque pharetra sollicitudin. Praesent imperdiet mi nec ante.
Donec ullamcorper, felis non sodales commodo, lectus velit ultrices augue, a dignissim
nibh lectus placerat pede. Vivamus nunc nunc, molestie ut, ultricies vel, semper in, velit.
Ut porttitor. Praesent in sapien. Lorem ipsum dolor sit amet, consectetuer adipiscing
elit. Duis fringilla tristique neque. Sed interdum libero ut metus. Pellentesque placerat.
Nam rutrum augue a leo. Morbi sed elit sit amet ante lobortis sollicitudin. Praesent
blandit blandit mauris. Praesent lectus tellus, aliquet aliquam, luctus a, egestas a,
turpis. Mauris lacinia lorem sit amet ipsum. Nunc quis urna dictum turpis accumsan
semper.
5
Capı́tulo 3
Diseño del experimento
En este capı́tulo, se presenta la introducción al desarrollo de la tesis, ya sea el modelo

matemático o las bases del proyecto, etc. Ejemplo de cita [? )] Ejemplo de cita [? ]
3.1. Sección
El sistema blah, blah. Ejemplo de cita (? ) La figura (3.1) ilustra los componentes
de la planta.
3.2. Sección en color azul
3.2.1. Subsección
Antes de comenzar, se definen en la tabla 3.1 los parámetros y variables utilizadas
semper.
7
3. DISEÑO DEL EXPERIMENTO
Figura 3.1: Descripción de la planta
3.2.2. Otra subsección

semper.
semper.
8
3.2 Sección en color azul
Nombre Parámetro/Variable Sı́mbolo
Masa del péndulo m

Masa del carro M
Distancia del eje de giro al centro de masa l
Aceleración gravitatoria g
Momento de inercia péndulo respecto del eje de giro J
Ángulo del péndulo respecto del eje vertical θ
Velocidad angular del péndulo θ̇, ω
Distancia del carro respecto al centro del riel x
Velocidad del carro ẋ, v
Tabla 3.1: Parámetros dinámicos del carro-péndulo - Estos son los valores de
parámetros utilizados en el diseño y las simulaciones, corresponden a los valores reales.
semper.
semper.
semper.
9
Capı́tulo 4
Análisis de Resultados
4.1. Resultados
semper.
semper.
11
4. ANÁLISIS DE RESULTADOS
semper.
semper.
semper.
12
Capı́tulo 5
Conclusiones
semper.
13
Apéndice A
Código/Manuales/Publicaciones
A.1. Apéndice
Apéndice
15

Tesis

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tesis

Cargado por

Copyright:

Formatos disponibles

Universidad Mayor de San Andrés

Facultad de Ciencias Puras y Naturales

Modelo de Ecuaciones Estructurales con

La Paz, Bolivia, 2019

Cristobal Franco Mirabal. La Paz, Bolivia, 2019

Los Modelos de Ecuaciones Estructurales (MEEs) con variables latentes se usan

Índice de tablas XIII

3. Diseño del experimento 7

3.1. Descripción de la planta . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

3.1. Parámetros dinámicos del carro-péndulo . . . . . . . . . . . . . . . . . . 9

distribución conjunta a posteriori de las variables latentes. Estas muestras se podrán

1.4. Planteamiento del problema

1.7. Estructura de la tesis

Diseño del experimento

En este capı́tulo, se presenta la introducción al desarrollo de la tesis, ya sea el modelo

3.2. Sección en color azul

Figura 3.1: Descripción de la planta

3.2.2. Otra subsección

Nombre Parámetro/Variable Sı́mbolo

Masa del péndulo m

También podría gustarte