¹Colegio de Postgraduados, Socioeconomía Estadística e Informática-Estadística, Texcoco, México. PhD. Email: perpdgo@gmail.com
²Colegio de Postgraduados, Socioeconomía Estadística e Informática-Estadística, Texcoco, México. PhD. Email: jvillasr@colpos.mx
³Colegio de Postgraduados, Socioeconomía Estadística e Informática-Estadística, Texcoco, México. PhD. Email: sergiop@colpos.mx
⁴Colegio de Postgraduados, Socioeconomía Estadística e Informática-Estadística, Texcoco, México. PhD. Email: sjavier@colpos.mx

The skew-normal (SN) distribution is a generalization of the normal distribution, where a shape parameter is added to adopt skewed forms. The SN distribution has some of the properties of a univariate normal distribution, which makes it very attractive from a practical standpoint; however, it presents some inference problems. Specifically, the maximum likelihood estimator for the shape parameter tends to infinity with a positive probability. A new Bayesian approach is proposed in this paper which allows to draw inferences on the parameters of this distribution by using improper prior distributions in the "centered parametrization" for the location and scale parameter and a Beta-type for the shape parameter. Samples from posterior distributions are obtained by using the Metropolis-Hastings algorithm. A simulation study shows that the mode of the posterior distribution appears to be a good estimator in terms of bias and mean squared error. A comparative study with similar proposals for the SN estimation problem was undertaken. Simulation results provide evidence that the proposed method is easier to implement than previous ones. Some applications and comparisons are also included.

Key words: Metropolis-Hastings Algorithm, Point Estimation, Prior Distribution.

La distribución Normal Asimétrica (SN) es una generalización de la distribución normal, incluye un parámetro extra que le permite adoptar formas asimétricas. La distribución SN tiene algunas de las propiedades de la distribución normal univariada, lo que la hace muy atractiva desde el punto de vista práctico; sin embargo presenta algunos problemas de inferencia. Particularmente, el estimador de máxima verosimilitud para el parámetro de forma tiende a infinito con probabilidad positiva. Se propone una solución Bayesiana que permite hacer inferencia sobre los parámetros de esta distribución asignando distribuciones impropias en la "parametrización centrada" para el parámetro de localidad y el de escala y una distribución tipo Beta para el parámetro de forma. Las muestras de las distribuciones posteriores se obtienen utilizando el algoritmo de Metropolis-Hastings. Un estudio de simulación muestra que la moda de la distribución posterior parece ser un buen estimador, en términos de sesgo y error cuadrado medio. Se presenta también un estudio de simulación donde se compara el procedimiento propuesto contra otros procedimientos. Los resultados de simulación proveen evidencia de que el método propuesto es más fácil de implementar que las metodologías previas. Se incluyen también algunas aplicaciones y comparaciones.

Palabras clave: algoritmo de Metropolis-Hastings, distribuciones a priori, estimación puntual.

Texto completo disponible en PDF

References

1. Arellano-Valle, R. B. & Azzalini, A. (2008), 'The centred parametrization for the multivariate skew-normal distribution', Journal of Multivariate Analysis 99, 1362-1382.         [ Links ]

2. Azzalini, A. (1985), 'A class of distributions which includes the normal ones', Scandinavian Journal of Statistics 12, 171-178.         [ Links ]

3. Azzalini, A. (2016), The R package sn: The Skew-Normal and Skew-t distributions (version 1.4-0), Università di Padova, Italia. *http://azzalini.stat.unipd.it/SN         [ Links ]

4. Azzalini, A. & Capitanio, A. (1999), 'Statistical applications of the multivariate skew normal distribution', Journal of the Royal Statistical Society 61, 579-602.         [ Links ]

5. Azzalini, A. & Genton, M. G. (2008), 'Robust likelihood methods based on the skew-t and related distributions', International Statistical Review 76, 106-129.         [ Links ]

6. Box, G. & Tiao, G. (1973), Bayesian inference in statistical analysis, Addison-Wesley series in behavioral science: quantitative methods, Addison-Wesley Pub. Co.         [ Links ].

7. Carlin, B. P. & Louis, T. A. (2000), Bayes and Empirical Bayes Methods for Data Analysis, second edn, Chapman - Hall/CRC, New York.         [ Links ]

8. Chib, S. & Greenberg, E. (1995), 'Understanding the Metropolis-Hastings Algorithm', The American Statistician 49(4), 327-335.         [ Links ]

9. Chiogna, M. (1998), 'Some results on the scalar skew-normal distribution', Journal of the Italian Statistical Society 7, 1-13.         [ Links ]

10. Gelman, A. & Rubin, D. B. (1992), 'Inference from iterative simulation using multiple sequences', Statistical Science 7, 457-511.         [ Links ]

11. Liseo, B. & Loperfido, N. (2006), 'A note on reference priors for the scalar skew-normal distribution', Journal of Statistical Planning and Inference 136, 373-389.         [ Links ]

12. Metropolis, N., Rosembluth, A. W., Teller, M. & Teller, E. (1953), 'Equations of state calculations by fast computing machines', Journal of Chememical Physics 21, 1087-1092.         [ Links ]

13. Pewsey, A. (2000), 'Problems of inference for Azzalini's skew-normal distribution', Journal of Applied Statistics 27, 859-870.         [ Links ]

14. R Core Team, (2015), R: A Language and Environment for Statistical Computing, R Foundation for Statistical Computing, Vienna, Austria. *http://www.R-project.org/         [ Links ]

15. Sartori, N. (2006), 'Bias prevention of maximum likelihood estimates for scalar skew normal and skew t distributions', Journal of Statistical Planning and Inference 136, 4259-4275.         [ Links ]

16. Wiper, M., Girón, F. J. & Pewsey, A. (2008), 'Objective Bayesian inference for the half-normal and half-t distributions', Communications in Statistics-Theory and Methods 37(20), 3165 -3185.         [ Links ]

Este artículo se puede citar en LaTeX utilizando la siguiente referencia bibliográfica de BibTeX: