Autocorrelación serial igual a ceroprecisión para la estimación

  1. Fernández García, Paula 1
  2. Vallejo Seco, Guillermo 1
  3. Herrero Díez, Francisco Javier 1
  1. 1 Universidad de Oviedo
    info

    Universidad de Oviedo

    Oviedo, España

    ROR https://ror.org/006gksa02

Revista:
Psicothema

ISSN: 0214-9915

Año de publicación: 2004

Volumen: 16

Número: 1

Páginas: 163-169

Tipo: Artículo

DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: Psicothema

Resumen

La precisión de nueve procedimientos para el cálculo de la autocorrelación ha sido evaluada en un diseño de Grupos x Ocasiones. Utilizamos seis estucturas de matrices de dispersión (S) con ausencia de autocorrelación serial: Simetría Combinada, Huynh-Feldt, No Estructurada (e= .56 y e= .75) y de Coeficientes Aleatorios (e= .56 y e= .75). Los resultados indican que el procedimiento de Hearne, Clark y Hatch (1983) realiza una estimación ajustada independientemente del tamaño de la muestra y del número de puntos de serie salvo cuando la matriz subyacente es de Simetría Combinada o Huynh-Feldt. El resto de los estimadores dependen de q y de S y sólo los procedimientos de Jones (1985) y de Pantula y Pollock (1985) dependen significativamente del tamaño de la muestra. Los procedimientos de Wilson, Hebel y Sherwin (1981), Gill (1992) y Pantula y Pollock (1985), en este orden, son los más afectados por el maridaje ausencia de autocorrelación-ausencia de esfericidad.

Referencias bibliográficas

  • Andersen, A.H. Jensen,E.B. y Schou, G. (1981). Two-way analysis of variance with autocorrelated errors. International Statistical Review 49, 153-157.
  • Anderson, T.W. (1971). The Statistical Analysis of Time Series. New York: Wiley.
  • Arnau, J. (1999). Reducción del sesgo en la estimación de la autocorrelación en series temporales cortas. Metodología de las ciencias del com portamiento 1(1),25-37.
  • Azzalini, A. (1984). Estimation and hypothesis testing for collections of autorregressive time series. Biometrika 71, 85-90. Correction: 74 (1987), 667.
  • Azzalini, A. y Browman, A. (1990). Nonparametric regression methods for repeated measurements. En G.G. Roussas (ED.). Nonparametric Functional Estimation. Kluwer Academic Publisher.
  • Azzalini, A. y Frigo, A.C. (1991). An explicit nearly unbiased estimate of the AR(1) parameter for repeated measurements. Journal Time Series Analysis 12(4), 273-281.
  • Bartlett, M.S. (1956). An Intriduction to Stochastic Processes with Special Reference to Methods and Applications. Cambridge University Press.
  • Cornell , J.E., Young, D.M. y Bratcher, T.L. (1991). An algorithm for generating covariance matrices with specified departures from sphericity. Journal of Statistical Computation and Simulation 34, 240- 243 .
  • Daniels, H.E (1956). The aproximate distribution of serial correlation coefficients. Biometrika 43, 169-185.
  • Fernández, P., Vallejo, G y Escudero, J.R. (2002). Diagnóstico de la precisión de nueve procedimientos para el cómputo de la autocorrelación de primer orden en un diseño de Sujetos x Ocasiones (3xq). Psicothema, 14 (2), 497-503 .
  • Fernández, P. y Vallejo, G (2002). Ausencia de normalidad y desigualdad del tamaño de los grupos. ¿Afecta a la estimación de la autocorrelación? Psicothema 14(4), 861-869.
  • GAUSS. (1997). The Gauss System. (Vers. 3.2.32). Washington: Aptech Systems, Inc.
  • Gill, P.S. (1992). A note on modelling the covariance structure of repeated measurements. Biometrics 48, 965-968.
  • Hearne, E.M., Clark, G.M. y Hatch, J.P. (1983). A test for serial correlation in un ivariate repeated-measures analysis . Biometrics 39, 237- 2 4 3 .
  • Jennrich, R.I. y Schluchter, M.D. (1986). Unbalanced repeated-measures models with structured covariance matrices. Biometrics 42, 805-820.
  • Jones, R.H. (1985). Repeated measures, interventions, and time series analysis. Psychoneuroendocrinology 10(1), 5-14.
  • Kinderman, A.J. y Ramage, J.G. (1976). Computer generation of normal random numbers. Journal of American Statistical Association 77, 893-896.
  • Koopmans, T. (1942). Serial correlation and quadratic forms in normal variables. Annals of Mathematical Statistic 13, 14.
  • Laird, N.M. y Ware, J.H. (1982). Random-effects models for longitudinal data. Biometrics 38, 963-974.
  • Litlell, R.C., Milliken, G.A., Stroup; W.W. y Wolfinger, R.D. (1996). SAS system for mixed models, Cary, NC: SAS Institute.
  • Pantula, S.G. y Pollock, K.H. (1985). Nested analysis of variance whith autocorrelated errors. Biometrics 37, 909-920.
  • Schauer, E.M. y Stoller, D.S. (1966). On the generation of normal random vectors. Technometrics, 4, 278-280.
  • Schmitz, B. (1990). Univariate and multivariate time series models: The analysis of intraindividual variability and intraindividual relationships. In A. von Eye (Ed.), Statistical Methods in longitudinal Research, 351- 386. Boston: Academic Press.
  • Wilson, P.D., Hebel; J.R. y Sherwin, R. (1981). Screening and diagnosis when within-individual observations are Markov-dependent. Biometrics 37, 553-565.
  • Wolfinger, R.D. (1996). Heterogeneous variance-covariance structures for repeated measurements. Journal of Agricultural, Biological, and Environmental Statistics 1, 205-230.
Fuente de los datos: Dialnet