El Algoritmo E-MS: Selección de Modelos con Datos Incompletos

Proponemos un procedimiento asociado a la idea del algoritmo E-M para la selección de modelos en presencia de datos faltantes. La idea extiende el concepto de parámetros para incluir tanto el modelo como los parámetros bajo el modelo, y por lo tanto permite que el modelo sea parte de las iteraciones E-M. Desarrollamos el procedimiento, conocido como el algoritmo E-MS, bajo la suposición de que la clase de modelos candidatos es finita. Se consideran algunos casos especiales del procedimiento, incluyendo E-MS con los criterios de información generalizados (GIC), y E-MS con la cerca adaptativa (AF; Jiang et al.). Probaremos la convergencia numérica del algoritmo E-MS así como la consistencia en la selección de modelos del modelo límite de la convergencia E-MS, para E-MS con GIC y E-MS con AF. Estudiamos el impacto en la selección de modelos de diferentes mecanismos de datos faltantes. Además, llevamos a cabo extensos estudios de simulación sobre el rendimiento en muestras finitas del E-MS con comparaciones a otros procedimientos. La metodología también se ilustra en un análisis de datos reales que involucra el mapeo de QTL para un estudio agrícola sobre granos de cebada. Materiales suplementarios para este artículo están disponibles en línea.