Un decepcionante método de "inferencia robusta" para GLMs de Poisson

[Quod si sal evanuerit in quo sallietur ad nihilum valet ultra nisi ut mittatur foras et conculcetur ab hominibus.]

Vuelvo con mi monotema de los últimos días: cómo hacer GLMs de Poisson robustos. Encuentro la tesis Robust Inference for Generalized Linear Models: Binary and Poisson Regression y pienso: ajá, será cuestión de copipegar.

Nada más lejos de la realidad. El método propuesto en la tesis está basado en asignaciones de pesos a las observaciones usando kernels con centros y anchuras basadas respectivamente en

$$ m = \frac{1}{n} \sum_i y_i$$

y

$$ s = \frac{1}{n} \sum_i (y_i - m)^2$$

Por lo que la anchura de los kernels es fija. Pero en mi problema hay zonas donde las $latex y_i$ son del entorno de 1000 y otras donde oscilan entre 0 y 1.

Muy afortunadamente para la autora de la tesis, ese problema no existe en los datos que usa de ejemplo. ¡Qué suerte la suya!