Minimax estimation and forecasting for clustered binary data with misclassifications

Предлагаются методы робастного оценивания и прогнозирования для бета-иерархических мо- делей группированных бинарных данных с искаженными результатами наблюдений. Доказа- но, что оценки параметров моделей, оптимальные в смысле минимакса смещения, вычисляют- ся на середине интервалов искажений, а прогноз, оптимальный в смысле минимакса риска, достигается при максимально возможных уровнях искажений. Теоретические результаты ил- люстрируются компьютерным моделированием