Herramientas de diagnosis

[Pedro Gea]

Es necesario crear funcionalidades de MMS para la diagnosis. Para ello hay que completar este tique o crear otros nuevos con las tareas concretas.

[Claudia Escalonilla]

Se hace un agrupamiento de todos los tickets referidos a diagnosis:

• Test pre-estimación' que nos indica si un modelo es correcto antes de comenzar a estimar (#366). Avisar o impedir la estimación de un modelo vacío o desactivado completamente.

Antes de realizar el execute(¿) de la estimación, pasar todos los test de check correspondientes, y si pasa todos realizarla. (#608)

• Indicar las carácterísticas de los modelos y clasificarlos de algún modo para que no puedan ser tratados por determinadas estrategias. (#22)
• Comprobación de la coherencia de los valores iniciales de los parámetros, es decir, si cumplen las restricciones y priors. (#78), (#257)
• Comprobación de las combinaciones lineales de los parámetros (matriz singular). Informar de la combinación lineal (#79).

Método que podría devolver y guardar un archivo con un informe del test de multicolinealidad (#534)
Cuando un input es nulo o no está definido en el rango temporal de un output al estimarlo devuelve un error de combinación lineal. Se podría incorporar un proceso que chequeara estos inputs y eliminase estas posibilidades.
Omitidos del output: comprobar si el número de omitidos del output es grande en comparación con los grados de libertad del proceso
Duplicidad de omitidos: (output y inputs tengan los mismos omitidos)
Input con omitidos en el periodo de previsión

• Implementación del criterio de Schwarz (#421)
• Documentación (#353)
• Los modelos Probit y Logit requieren que la matriz del output esté compuesta por unos y ceros. Chequear esta condición. (#875)
• Funciones para buscar errores y posibles fuentes de problemas en los modelos.(#894)
• Creación de un módulo de diagnosis en "bsd/area/regularmodels/diagnosis/ (#904)

Referencias a tickets referidos a diagnosis

[Pedro Gea]

(In [3771]) Refs #352, #421, #967, #1075
Se facilita así mismo la obtención del número de parámetros de un submodelo, del criterio de información de Akaike (AIC) y del criterio de información bayesiano o de Schwarz (BIC).