Modelos Lineares Generalizados Semiparamétricos

• Autor(a) principal: Neves, Higor da Cruz
• Data de Publicação: 2021
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFJF
• Texto Completo: https://repositorio.ufjf.br/jspui/handle/ufjf/13040
• topic: CNPQ::CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA; Modelo Linear Generalizado Semiparamétrico; Generalized Semiparametric Linear Model; Matriz de informação de Fisher; Validação Cruzada; Spline cúbico; Escore de Newton; Fisher information matrix; Cross validation; Cubic spline; Newton’s Scoring

Nesta pesquisa, foi realizada a expansão do Modelo Linear Generalizado (MLG) para Modelo Linear Generalizado Semiparamétrico através da adição de uma curva não paramétrica na componente sistemática do MLG. Foram consideradas para o estudo as distribuições Binomial, Gamma, Inversa Gaussiana, Normal e Poisson, e suas principais ligações. Os nós da curva não paramétrica foram construídos através dos métodos de Eilers e Marks (1996) e de Green e Silverman (1994). A seleção do parâmetro de suavização foi feita por Validação Cruzada. Foram estudados os processos de estimação dos parâmetros e da curva não paramétrica através do método iterativo de Escore de Newton, bem como desenvolvidos os cálculos da função escore e matriz de informação de Fisher. Finalmente, com o auxílio do software estatístico R (R Core Team, 2021), foram elaborados os códigos de estimação e realizados estudos de simulação que avaliaram a eficiência do método de estimação dos parâmetros, além da aplicação em dados de pólen de Ambrosia de Kalamazoo em 1993.