Métodos de seleção de variáveis via verossimilhança penalizada
Autor(a) principal: | |
---|---|
Data de Publicação: | 2016 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
Texto Completo: | https://app.uff.br/riuff/handle/1/14493 |
Resumo: | Realizar seleção de variáveis é uma parte importante no processo encontrar a relação entre um conjunto de covariáveis e uma variável de interesse para modelos lineares encaixados. Existem diversos métodos e critérios que realizam a seleção de variáveis em duas etapas, sendo elas, a estimaçã o dos coeficientes β e depois a seleção. Mais recentemente métodos baseados em verossimilhança penalizada se propõem a realizar simultaneamente as duas etapas da seleção. Este trabalho se propõe estudar a estrutura verossimilhança penalizada, entender os métodos LASSO e Adaptive LASSO e comparar as abordagens, por meio de um estudo de simulação, dos métodos usuais, AIC e BIC, e dos métodos baseados em verossimilhança penalizada, LASSO e Adaptive LASSO sob a ótica de modelos lineares e modelos lineares generalizados. Foi possível observar que todos os métodos comparados são bons ao identificar as variáveis significativas tanto sob a ótica de modelos lineares e modelos lineares generalizados, que os métodos usuais realizam essa identificação com probabilidades maiores do que os baseados em verossimilhança penalizada quando há grande variabilidade. Verificou-se também que o AIC apresenta dificuldade ao identificar as variáveis não significativas, diferentemente dos métodos baseados em verossimilhança penalizada que conseguem estimar com precisão ideal mesmo em cenários de baixa variabilidade para modelos lineares e que o BIC se mostrou o melhor entre todos os métodos no contexto de modelos lineares generalizados |
id |
UFF-2_9a9ea21f01fd939b8b5c4d5348dc8cfa |
---|---|
oai_identifier_str |
oai:app.uff.br:1/14493 |
network_acronym_str |
UFF-2 |
network_name_str |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
repository_id_str |
2120 |
spelling |
Métodos de seleção de variáveis via verossimilhança penalizadaSeleção de variáveisMáxima verossimilhança penalizadaAICBICLASSOAdaptive LASSOModelo linear (Estatística)VariávelRealizar seleção de variáveis é uma parte importante no processo encontrar a relação entre um conjunto de covariáveis e uma variável de interesse para modelos lineares encaixados. Existem diversos métodos e critérios que realizam a seleção de variáveis em duas etapas, sendo elas, a estimaçã o dos coeficientes β e depois a seleção. Mais recentemente métodos baseados em verossimilhança penalizada se propõem a realizar simultaneamente as duas etapas da seleção. Este trabalho se propõe estudar a estrutura verossimilhança penalizada, entender os métodos LASSO e Adaptive LASSO e comparar as abordagens, por meio de um estudo de simulação, dos métodos usuais, AIC e BIC, e dos métodos baseados em verossimilhança penalizada, LASSO e Adaptive LASSO sob a ótica de modelos lineares e modelos lineares generalizados. Foi possível observar que todos os métodos comparados são bons ao identificar as variáveis significativas tanto sob a ótica de modelos lineares e modelos lineares generalizados, que os métodos usuais realizam essa identificação com probabilidades maiores do que os baseados em verossimilhança penalizada quando há grande variabilidade. Verificou-se também que o AIC apresenta dificuldade ao identificar as variáveis não significativas, diferentemente dos métodos baseados em verossimilhança penalizada que conseguem estimar com precisão ideal mesmo em cenários de baixa variabilidade para modelos lineares e que o BIC se mostrou o melhor entre todos os métodos no contexto de modelos lineares generalizadosPinto Junior, Jony ArraisKubrusly, Jessica QuintanilhaSantos, Wilson Calmon Almeida dosVieira, Julio Cesar de Azevedo2020-07-24T18:56:21Z2020-07-24T18:56:21Z2016info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisapplication/pdfVIEIRA, Julio Cesar de Azevedo. Métodos de seleção de variáveis via verossimilhança penalizada. 2016 57 f. Trabalho de Conclusão de Curso (Graduação em Estatística) - Instituto de Matemática e Estatística, Universidade Federal Fluminense, Niterói, 2016.https://app.uff.br/riuff/handle/1/14493http://creativecommons.org/licenses/by-nc-nd/3.0/br/CC-BY-SAinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF)instname:Universidade Federal Fluminense (UFF)instacron:UFF2021-09-27T18:45:43Zoai:app.uff.br:1/14493Repositório InstitucionalPUBhttps://app.uff.br/oai/requestriuff@id.uff.bropendoar:21202021-09-27T18:45:43Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF)false |
dc.title.none.fl_str_mv |
Métodos de seleção de variáveis via verossimilhança penalizada |
title |
Métodos de seleção de variáveis via verossimilhança penalizada |
spellingShingle |
Métodos de seleção de variáveis via verossimilhança penalizada Vieira, Julio Cesar de Azevedo Seleção de variáveis Máxima verossimilhança penalizada AIC BIC LASSO Adaptive LASSO Modelo linear (Estatística) Variável |
title_short |
Métodos de seleção de variáveis via verossimilhança penalizada |
title_full |
Métodos de seleção de variáveis via verossimilhança penalizada |
title_fullStr |
Métodos de seleção de variáveis via verossimilhança penalizada |
title_full_unstemmed |
Métodos de seleção de variáveis via verossimilhança penalizada |
title_sort |
Métodos de seleção de variáveis via verossimilhança penalizada |
author |
Vieira, Julio Cesar de Azevedo |
author_facet |
Vieira, Julio Cesar de Azevedo |
author_role |
author |
dc.contributor.none.fl_str_mv |
Pinto Junior, Jony Arrais Kubrusly, Jessica Quintanilha Santos, Wilson Calmon Almeida dos |
dc.contributor.author.fl_str_mv |
Vieira, Julio Cesar de Azevedo |
dc.subject.por.fl_str_mv |
Seleção de variáveis Máxima verossimilhança penalizada AIC BIC LASSO Adaptive LASSO Modelo linear (Estatística) Variável |
topic |
Seleção de variáveis Máxima verossimilhança penalizada AIC BIC LASSO Adaptive LASSO Modelo linear (Estatística) Variável |
description |
Realizar seleção de variáveis é uma parte importante no processo encontrar a relação entre um conjunto de covariáveis e uma variável de interesse para modelos lineares encaixados. Existem diversos métodos e critérios que realizam a seleção de variáveis em duas etapas, sendo elas, a estimaçã o dos coeficientes β e depois a seleção. Mais recentemente métodos baseados em verossimilhança penalizada se propõem a realizar simultaneamente as duas etapas da seleção. Este trabalho se propõe estudar a estrutura verossimilhança penalizada, entender os métodos LASSO e Adaptive LASSO e comparar as abordagens, por meio de um estudo de simulação, dos métodos usuais, AIC e BIC, e dos métodos baseados em verossimilhança penalizada, LASSO e Adaptive LASSO sob a ótica de modelos lineares e modelos lineares generalizados. Foi possível observar que todos os métodos comparados são bons ao identificar as variáveis significativas tanto sob a ótica de modelos lineares e modelos lineares generalizados, que os métodos usuais realizam essa identificação com probabilidades maiores do que os baseados em verossimilhança penalizada quando há grande variabilidade. Verificou-se também que o AIC apresenta dificuldade ao identificar as variáveis não significativas, diferentemente dos métodos baseados em verossimilhança penalizada que conseguem estimar com precisão ideal mesmo em cenários de baixa variabilidade para modelos lineares e que o BIC se mostrou o melhor entre todos os métodos no contexto de modelos lineares generalizados |
publishDate |
2016 |
dc.date.none.fl_str_mv |
2016 2020-07-24T18:56:21Z 2020-07-24T18:56:21Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
VIEIRA, Julio Cesar de Azevedo. Métodos de seleção de variáveis via verossimilhança penalizada. 2016 57 f. Trabalho de Conclusão de Curso (Graduação em Estatística) - Instituto de Matemática e Estatística, Universidade Federal Fluminense, Niterói, 2016. https://app.uff.br/riuff/handle/1/14493 |
identifier_str_mv |
VIEIRA, Julio Cesar de Azevedo. Métodos de seleção de variáveis via verossimilhança penalizada. 2016 57 f. Trabalho de Conclusão de Curso (Graduação em Estatística) - Instituto de Matemática e Estatística, Universidade Federal Fluminense, Niterói, 2016. |
url |
https://app.uff.br/riuff/handle/1/14493 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/br/ CC-BY-SA info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/br/ CC-BY-SA |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF) instname:Universidade Federal Fluminense (UFF) instacron:UFF |
instname_str |
Universidade Federal Fluminense (UFF) |
instacron_str |
UFF |
institution |
UFF |
reponame_str |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
collection |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
repository.name.fl_str_mv |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF) |
repository.mail.fl_str_mv |
riuff@id.uff.br |
_version_ |
1802135442265473024 |