The forward search is a general method to detect multiple outliers and to determine their effect on inference about models fitted to data. From the monitoring of a series of statistics based on subsets of data of increasing size we obtain multiple views of any hidden structure. Sometimes, some features emerge unexpectedly during the progression of the forward search only when a specific combination of forward plots is inspected at the same time. These features have to be harmonized and linked together in order to give an exhaustive description of a complex problem. In this paper, we use a set of new robust graphical tools on a mixture of logit regressions. We use simulated data and we show the dynamic interaction with different “robust plots” to highlight the presence of groups of outliers and regression mixtures in the context of logit regression and highlight the effect that these hidden groups provide on the fitted model.

La Forward Search `e un approccio di analisi innovativo robusto che parte da un insieme di dati ridotto, privo di unit´a anomale ed include sequenzialmente le rimanenti osservazioni in base ad una misura via via crescente di “anomalia” delle stesse. Attraverso una combinazione efficace di modellazione statistica e di grafici diagnostici, la forward search costituisce uno strumento potente che individua la presenza di valori anomali (singoli o raggruppati), e permette di valutare il loro effetto sui risultati delle analisi tradizionali. In questo studio proponiamo l’uso di tale approccio nella stima di un modello di regressione logistica dove dati simulati provengono da popolazioni binomiali differenti. Grazie all’analisi grafica sar´a pos- sibile identificare unit´a o gruppi anomali che solo apparentemente appartengono alla stessa popolazione.

Mixtures of Logit Regressions Detection with Forward Search

Bini M;Velucchi M
2014-01-01

Abstract

The forward search is a general method to detect multiple outliers and to determine their effect on inference about models fitted to data. From the monitoring of a series of statistics based on subsets of data of increasing size we obtain multiple views of any hidden structure. Sometimes, some features emerge unexpectedly during the progression of the forward search only when a specific combination of forward plots is inspected at the same time. These features have to be harmonized and linked together in order to give an exhaustive description of a complex problem. In this paper, we use a set of new robust graphical tools on a mixture of logit regressions. We use simulated data and we show the dynamic interaction with different “robust plots” to highlight the presence of groups of outliers and regression mixtures in the context of logit regression and highlight the effect that these hidden groups provide on the fitted model.
2014
978-88-8467-874-4
La Forward Search `e un approccio di analisi innovativo robusto che parte da un insieme di dati ridotto, privo di unit´a anomale ed include sequenzialmente le rimanenti osservazioni in base ad una misura via via crescente di “anomalia” delle stesse. Attraverso una combinazione efficace di modellazione statistica e di grafici diagnostici, la forward search costituisce uno strumento potente che individua la presenza di valori anomali (singoli o raggruppati), e permette di valutare il loro effetto sui risultati delle analisi tradizionali. In questo studio proponiamo l’uso di tale approccio nella stima di un modello di regressione logistica dove dati simulati provengono da popolazioni binomiali differenti. Grazie all’analisi grafica sar´a pos- sibile identificare unit´a o gruppi anomali che solo apparentemente appartengono alla stessa popolazione.
Forward Search
Logit Regression
Robustness
File in questo prodotto:
File Dimensione Formato  
BDV.pdf

non disponibili

Dimensione 225.57 kB
Formato Adobe PDF
225.57 kB Adobe PDF   Visualizza/Apri   Richiedi una copia

I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.14092/2732
 Attenzione

Attenzione! I dati visualizzati non sono stati sottoposti a validazione da parte dell'ateneo

Citazioni
  • ???jsp.display-item.citation.pmc??? ND
social impact