4.1.2. Medios de registro de datos

.1. Lista de estimadores a obtener de la simulación.

Hasta ahora hemos estudiado cómo simular probabilidades de elección pero nohemos estudiado las propiedades de los estimadores de los parámetros que sebasan en estas probabilidades simuladas. En los casos que hemos presentado,simplemente hemos insertado las probabilidades simuladas en la función log-verosimilitud y hemos maximizada dicha función, de la misma forma que lohabríamos hecho si las probabilidades hubieran sido exactas. Este procedimientoparece intuitivamente razonable. Sin embargo, no hemos mostrado realmente, almenos hasta ahora, que el estimador resultante tenga propiedades deseables,como consistencia, normalidad asintótica o eficiencia. Tampoco hemos exploradola posibilidad de que otras formas de estimación puedan ser preferibles cuandousamos simulación, en lugar de las probabilidades exactas. El propósito de estecapítulo es examinar varios métodos de estimación en el contexto de la simulación.Derivaremos las propiedades de estos estimadores y mostraremos las condicionesen las que cada estimador es consistente y asintóticamente equivalente al estimadorque obtendríamos si usásemos valores exactos en lugar de simulación. Estascondiciones proporcionan una guía al investigador sobre cómo debe llevarse a cabola simulación para obtener estimadores con propiedades deseables. El análisistambién pone en evidencia las ventajas y limitaciones de cada forma de estimación,facilitando así la elección del investigador entre los diferentes métodos.Las técnicas de simulación en estadística, como son los métodos de Monte Carlo,y los procedimientos de re muestreo conocidos como bootstrap, son de gran utilidadcuando no tenemos expresiones cerradas para calcular medidas de incertidumbrecomo son la desviación estándar de estimadores y los intervalos de confianza. Estosmétodos de simulación permiten obtener estimaciones con menores supuestos quelos métodos analíticos, a cambio de un trabajo computacional más intenso. Ladisponibilidad creciente de los recursos computacionales, hacen de las técnicas desimulación una herramienta de uso creciente. En este trabajo se discuten estastécnicas de simulación, y se ilustran con ejemplos sencillos.En el contexto estadístico, entendemos por simulación, la técnica de muestreoestadístico controlado, que se utiliza conjuntamente con un modelo, para obtenerrespuestas aproximadas a preguntas que surgen en problemas complejos de tipoprobabilístico. En metrología, el proceso de medición es de naturaleza probabilísticay los modelos de medición con frecuencia son complejos [1]. Estas doscaracterísticas del proceso de medición, complejidad y aleatoriedad, hacen delanálisis de datos de medición un área de oportunidad natural para los métodos desimulación.