Estimación M-convexa óptima para regresión lineal con respuesta censurada

P. Soto Rodríguez, J. de Uña Álvarez, J. C. Pardo Fernández

En regresión lineal, el método de mínimos cuadrados ordinarios es el más utilizado en la práctica, pero su robustez y eficiencia se ven comprometidas cuando los errores no son normales. Los M-estimadores con funciones de pérdida convexas constituyen una alternativa eficiente. Feng et al. (2025) proponen un método semiparamétrico que construye de forma adaptativa la función de pérdida convexa óptima, logrando mínima varianza asintótica dentro de esta clase. En este trabajo extendemos dicho enfoque a modelos de regresión con respuesta censurada, habituales en Análisis de Supervivencia. Adaptamos su algoritmo a este contexto y proponemos estimadores que corrigen el sesgo por censura. Además, demostramos su consistencia y normalidad asintótica, y evaluamos su comportamiento mediante simulaciones bajo distintos escenarios de censura.

Referencias

Feng, O. Y., Kao, Y.-C., Xu, M. and Samworth, R. J. (2025). Optimal convex M-estimation via score matching. Annals of Statistics, to appear.

Keywords: Análisis de supervivencia, Datos censurados, Estimación semiparamétrica, Teoría asintótica

GT Estadística no Paramétrica IV: Inferencia no paramétrica en análisis de supervivencia
September 5, 2026  4:00 PM
Aula 29

S. Sperlich, D. Liu, M. Hiabu

J. C. Escanciano, J. de Uña Álvarez

W. González-Manteiga, M. D. Martínez-Miranda, I. Van Keilegom, M. Conde Amboage