Promedio bayesiano de modelos para la predicción del consumo máximo de oxígeno en deportistas con datos de no-ejercicio
Históricamente, los modelos de no-ejercicio para predecir el consumo máximo de oxígeno [VO2max] han sido construidos mediante regresión lineal frecuentista, usando técnicas estándar de selección de modelos.. Sin embargo, existe incertidumbre acerca de la estructura estadística en el proceso de selec...
Guardado en:
| Autor principal: | |
|---|---|
| Otros Autores: | |
| Formato: | Tesis Libro |
| Lenguaje: | Español |
| Publicado: |
2012
|
| Materias: | |
| Acceso en línea: | http://ri.agro.uba.ar/files/intranet/tesis/maestria/2012longoaldofabian.pdf |
| Aporte de: | Registro referencial: Solicitar el recurso aquí |
| LEADER | 08125ntm a2200937 a 4500 | ||
|---|---|---|---|
| 001 | BIBUN027759 | ||
| 008 | 120920s2012 ag ||||| m||| 00| 0 spa d | ||
| 100 | 1 | |a Longo, Aldo Fabián |9 34398 | |
| 700 | 1 | |9 9565 |a Pruzzo, Laura |e dir. | |
| 700 | 1 | |9 12817 |a Cantet, Rodolfo Juan Carlos |e cons. | |
| 245 | 0 | 0 | |a Promedio bayesiano de modelos para la predicción del consumo máximo de oxígeno en deportistas con datos de no-ejercicio |
| 502 | |a Tesis. |c Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados. |b Magister de la Universidad de Buenos Aires área Biometría y Mejoramiento. |g Maestría en Biometría y Mejoramiento. |d 2012. | ||
| 260 | |c 2012 | ||
| 300 | |a 96 p. |b il. | ||
| 520 | |a Históricamente, los modelos de no-ejercicio para predecir el consumo máximo de oxígeno [VO2max] han sido construidos mediante regresión lineal frecuentista, usando técnicas estándar de selección de modelos.. Sin embargo, existe incertidumbre acerca de la estructura estadística en el proceso de selección del modelo.. En este estudio se propuso construir un modelo de no-ejercicio para predecir el VO2max en deportistas orientados al rendimiento, considerando la incertidumbre de modelo a través del Promedio Bayesiano de Modelos [BMA].. Un objetivo adicional fue comparar la performance predictiva del BMA con las de los modelos derivados de varias técnicas frecuentistas usuales de selección de variables.. Con tal fin, se implementó un submuestreo aleatorio estratificado repetido.. Los datos incluyeron observaciones de la variable respuesta [en L·min-1], así como registros de Género, Deporte, Edad, Peso, Talla e Índice de masa corporal [BMI] [Edad = 22.1 ± 4.9 años, media ± SD; n = 272].. Se propuso una clasificación de deportes con el objetivo de incluirla dentro del proceso de construcción del modelo: Combate, Juego, Resistencia 1 y Resistencia 2.. El enfoque BMA se implementó en base a dos métodos: Occam's window y Composición de Modelo mediante el método de Monte Carlo con Cadenas de Markov [MC²].. Se observaron discrepancias en la selección de variables entre los procedimientos frecuentistas.. Ambos métodos de BMA produjeron resultados muy similares.. Los modelos que incluyeron Género y las variables dummies para Resistencia 1 y Resistencia 2 acumularon virtualmente toda la probabilidad de modelo a posteriori.. El Peso fue el predictor continuo con la más alta probabilidad de inclusión a posteriori [menor a 0.8].. Las combinaciones de variables que involucraron predictores con un alto nivel de multicolinealidad fueron desacreditadas.. Los modelos con sustancial contribución para el BMA presentaron un ajuste apreciable [R² ajustado menor a 0.8].. Entre los modelos seleccionados por estrategias frecuentistas, el obtenido mediante el método de regresión por pasos [Stepwise regression method] con alfa igual a 0.05 fue el más respaldado por los datos, en términos de probabilidad de modelo a posteriori. En concordancia con la literatura, el BMA tuvo mejor performance predictiva de los datos fuera de la muestra que los modelos seleccionados por técnicas frecuentistas, medida por la cobertura del intervalo de predicción de 90 por ciento.. La clasificación de deportes reveló resultados consistentes. | ||
| 650 | 0 | |a MODELOS MATEMATICOS |9 267 | |
| 650 | 0 | |a BIOMETRIA |9 185 | |
| 650 | 0 | |a TASA DE RESPIRACION |9 34399 | |
| 650 | 0 | |a RESPIRACION |9 1634 | |
| 650 | 0 | |a OXIGENO |9 27457 | |
| 856 | |x 20121001 |f 2012longoaldofabian |q application/pdf |i En reservorio: http://ri.agro.uba.ar/files/intranet/tesis/maestria/2012longoaldofabian.pdf |u http://ri.agro.uba.ar/files/intranet/tesis/maestria/2012longoaldofabian.pdf | ||
| 901 | |a 28961 | ||
| 902 | |a t | ||
| 903 | |a 20120920 | ||
| 903 | |a 20120926 | ||
| 903 | |a 20120926 | ||
| 903 | |a 20121004 | ||
| 904 | |a OK | ||
| 904 | |a N | ||
| 904 | |a DO | ||
| 904 | |a Greenstone | ||
| 905 | |a m | ||
| 907 | |a TESIS | ||
| 908 | |a IMPRESO | ||
| 908 | |a EN LINEA | ||
| 924 | |a Promedio bayesiano de modelos para la predicción del consumo máximo de oxígeno en deportistas con datos de no-ejercicio |t Promedio bayesiano de modelos para la predicción del consumo máximo de oxígeno en deportistas con datos de no-ejercicio | ||
| 928 | |a Longo |b Aldo Fabián | ||
| 928 | |a Pruzzo |b Laura |f dir. | ||
| 928 | |a Cantet |b Rodolfo Juan Carlos |f cons. | ||
| 945 | |a 2012 | ||
| 950 | |a es | ||
| 965 | |a MODELOS MATEMATICOS | ||
| 965 | |a BIOMETRIA | ||
| 965 | |a TASA DE RESPIRACION | ||
| 965 | |a RESPIRACION | ||
| 965 | |a OXIGENO | ||
| 969 | |a Históricamente, los modelos de no-ejercicio para predecir el consumo máximo de oxígeno [VO2max] han sido construidos mediante regresión lineal frecuentista, usando técnicas estándar de selección de modelos. | ||
| 969 | |a Sin embargo, existe incertidumbre acerca de la estructura estadística en el proceso de selección del modelo. | ||
| 969 | |a En este estudio se propuso construir un modelo de no-ejercicio para predecir el VO2max en deportistas orientados al rendimiento, considerando la incertidumbre de modelo a través del Promedio Bayesiano de Modelos [BMA]. | ||
| 969 | |a Un objetivo adicional fue comparar la performance predictiva del BMA con las de los modelos derivados de varias técnicas frecuentistas usuales de selección de variables. | ||
| 969 | |a Con tal fin, se implementó un submuestreo aleatorio estratificado repetido. | ||
| 969 | |a Los datos incluyeron observaciones de la variable respuesta [en L·min-1], así como registros de Género, Deporte, Edad, Peso, Talla e Índice de masa corporal [BMI] [Edad = 22.1 ± 4.9 años, media ± SD; n = 272]. | ||
| 969 | |a Se propuso una clasificación de deportes con el objetivo de incluirla dentro del proceso de construcción del modelo: Combate, Juego, Resistencia 1 y Resistencia 2. | ||
| 969 | |a El enfoque BMA se implementó en base a dos métodos: Occam's window y Composición de Modelo mediante el método de Monte Carlo con Cadenas de Markov [MC²]. | ||
| 969 | |a Se observaron discrepancias en la selección de variables entre los procedimientos frecuentistas. | ||
| 969 | |a Ambos métodos de BMA produjeron resultados muy similares. | ||
| 969 | |a Los modelos que incluyeron Género y las variables dummies para Resistencia 1 y Resistencia 2 acumularon virtualmente toda la probabilidad de modelo a posteriori. | ||
| 969 | |a El Peso fue el predictor continuo con la más alta probabilidad de inclusión a posteriori [menor a 0.8]. | ||
| 969 | |a Las combinaciones de variables que involucraron predictores con un alto nivel de multicolinealidad fueron desacreditadas. | ||
| 969 | |a Los modelos con sustancial contribución para el BMA presentaron un ajuste apreciable [R² ajustado menor a 0.8]. | ||
| 969 | |a Entre los modelos seleccionados por estrategias frecuentistas, el obtenido mediante el método de regresión por pasos [Stepwise regression method] con alfa igual a 0.05 fue el más respaldado por los datos, en términos de probabilidad de modelo a posteriori. En concordancia con la literatura, el BMA tuvo mejor performance predictiva de los datos fuera de la muestra que los modelos seleccionados por técnicas frecuentistas, medida por la cobertura del intervalo de predicción de 90 por ciento. | ||
| 969 | |a La clasificación de deportes reveló resultados consistentes. | ||
| 976 | |a AAG | ||
| 977 | |a 027341s | ||
| 984 | |a 1 ej. | ||
| 985 | |a REST | ||
| 987 | |a AGROVOC | ||
| 989 | |a 20121001 | ||
| 993 | |a 2012longoaldofabian | ||
| 916 | |a http://ri.agro.uba.ar/files/intranet/tesis/maestria/2012longoaldofabian.pdf | ||
| 917 | |a BP | ||
| 917 | |a BP | ||
| 917 | |a BP | ||
| 917 | |a BP | ||
| 915 | |e 96 p. |i il. | ||
| 955 | |a Biometría y Mejoramiento |c Maestría en Biometría y Mejoramiento |d 2012 |e Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados |g Magister de la Universidad de Buenos Aires área Biometría y Mejoramiento |n Tesis |s UBA.FA | ||
| 975 | |c T.G.57 |l LON | ||
| 942 | 0 | 0 | |c ENLINEA |
| 942 | 0 | 0 | |c TESIP0D |
| 999 | |c 20298 |d 20298 | ||
| 090 | |a T.G.57 LON | ||