ANÁLISE BAYESIANA E DISCRIMINAÇÃO DE MODELOS NÃO LINEARES

• Autor(a) principal: Mazucheli, Josmar
• Data de Publicação: 1995
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
• Texto Completo: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-18042018-103011/
• topic: Não disponível; Not available

É comum, em muitas áreas de investigação científica, a existência de vários modelos de regressão não lineares que podem ser usados para elucidar um mesmo fenômeno. Estando o pesquisador diante de vários modelos alternativos, como escolher qual fornece melhor ajuste? Essa é uma questão de interesse aos estatísticos e muitas estratégias clássicas e Bayesianas de discriminação tem sido propostas na literatura. Nesta dissertação, considerando os modelos não lineares de crescimento sigmóide: Logístico, Gompertz, Tipo-Weibull, Morgan-Mercer-Flodin e Richards, apresentamos uma análise Bayesiana e algumas estratégias (clássicas e Bayesianas) que podem ser usadas em problemas de discriminação de modelos alternativos. Sob o ponto de vista clássico, a discriminação é conduzida com base em conceitos de não linearidade, uma vez que o \"melhor modelo possível\" dentre todos os propostos é aquele que apresenta o comportamento mais próximo do comportamento linear. No contexto Bayesiano, considerando um conjunto de dados, usando uma priori não informativa de Jeffreys, o método de Laplace para aproximar as integrais de interesse e a técnica proposta por Gelfand e Dey (1994) procedemos a discriminação usando as estratégias: Fator de Bayes, critério baseado no conceito de entropia, Pseudo Fator de Bayes e o Fator de Bayes a Posteriori.