Regressão com erros de medida e pontos de mudança utilizando metodologia bayesiana.
Autor(a) principal: | |
---|---|
Data de Publicação: | 2004 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da USP |
Texto Completo: | https://teses.usp.br/teses/disponiveis/45/45133/tde-20210729-140900/ |
Resumo: | O objetivo principal dese estudo foi analisar os modelos de regressão linear estrutural Normal e t-Student com erros nas variáveis, com mudança abrupta em um ou mais parâmetros após o k-ésimo ponto desconhecido (ponto de mudança) de uma seqüência finita de observações, utilizando métodos bayesianos de análise de dados. A análise inferencial envolveu o problema de detectar a existência de mudança nos parâmetros, estimar o ponto de mudança k e os demais parâmetros, e também fazer a análise preditiva. O modelo Normal com erros de medida e sem pontos de mudança foi analisado sob diferentes escolhas de distribuição à priori incluindo também prioris impróprias. Foram demonstrados teoremas que estabelecem condições para a existência das distribuiçòes posterioris nos modelos Normal e t-Student com erros deoendentes (com e sem ponto de mudança) sob algumas escolhas específicas de prioris impróprias. Alguns algoritmos do tipo MCMC ('Markov Chain Monte Carlo') foram utilizados com o objetivo de amostrar das posterioris, como os algoritmos de 'Gibbs', 'Grouped Gibbs', 'Modified and Collapsed Gibbs' e 'Metrópolis-Hastings em Gibbs'. Foi feita uma análise de sensibilidade a variações nos valores dos seguintes hiperparâmetros: razão das variâncias residuais (nos modelos identificáveis) e o número de graus de liberdade da distribuição t (quando este é assumido conhecido). A qualidade do ajuste dos modelos foi avaliada utilizando resíduos bayesianos de validação cruzada |
id |
USP_6757e105e44ca637d52c04e4a7ffb9aa |
---|---|
oai_identifier_str |
oai:teses.usp.br:tde-20210729-140900 |
network_acronym_str |
USP |
network_name_str |
Biblioteca Digital de Teses e Dissertações da USP |
repository_id_str |
2721 |
spelling |
Regressão com erros de medida e pontos de mudança utilizando metodologia bayesiana.not availableInferência EstatísticaO objetivo principal dese estudo foi analisar os modelos de regressão linear estrutural Normal e t-Student com erros nas variáveis, com mudança abrupta em um ou mais parâmetros após o k-ésimo ponto desconhecido (ponto de mudança) de uma seqüência finita de observações, utilizando métodos bayesianos de análise de dados. A análise inferencial envolveu o problema de detectar a existência de mudança nos parâmetros, estimar o ponto de mudança k e os demais parâmetros, e também fazer a análise preditiva. O modelo Normal com erros de medida e sem pontos de mudança foi analisado sob diferentes escolhas de distribuição à priori incluindo também prioris impróprias. Foram demonstrados teoremas que estabelecem condições para a existência das distribuiçòes posterioris nos modelos Normal e t-Student com erros deoendentes (com e sem ponto de mudança) sob algumas escolhas específicas de prioris impróprias. Alguns algoritmos do tipo MCMC ('Markov Chain Monte Carlo') foram utilizados com o objetivo de amostrar das posterioris, como os algoritmos de 'Gibbs', 'Grouped Gibbs', 'Modified and Collapsed Gibbs' e 'Metrópolis-Hastings em Gibbs'. Foi feita uma análise de sensibilidade a variações nos valores dos seguintes hiperparâmetros: razão das variâncias residuais (nos modelos identificáveis) e o número de graus de liberdade da distribuição t (quando este é assumido conhecido). A qualidade do ajuste dos modelos foi avaliada utilizando resíduos bayesianos de validação cruzadanot availableBiblioteca Digitais de Teses e Dissertações da USPBolfarine, HelenoTu, Daisy Gomes de Souza2004-05-14info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfhttps://teses.usp.br/teses/disponiveis/45/45133/tde-20210729-140900/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2024-08-16T13:09:02Zoai:teses.usp.br:tde-20210729-140900Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212024-08-16T13:09:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false |
dc.title.none.fl_str_mv |
Regressão com erros de medida e pontos de mudança utilizando metodologia bayesiana. not available |
title |
Regressão com erros de medida e pontos de mudança utilizando metodologia bayesiana. |
spellingShingle |
Regressão com erros de medida e pontos de mudança utilizando metodologia bayesiana. Tu, Daisy Gomes de Souza Inferência Estatística |
title_short |
Regressão com erros de medida e pontos de mudança utilizando metodologia bayesiana. |
title_full |
Regressão com erros de medida e pontos de mudança utilizando metodologia bayesiana. |
title_fullStr |
Regressão com erros de medida e pontos de mudança utilizando metodologia bayesiana. |
title_full_unstemmed |
Regressão com erros de medida e pontos de mudança utilizando metodologia bayesiana. |
title_sort |
Regressão com erros de medida e pontos de mudança utilizando metodologia bayesiana. |
author |
Tu, Daisy Gomes de Souza |
author_facet |
Tu, Daisy Gomes de Souza |
author_role |
author |
dc.contributor.none.fl_str_mv |
Bolfarine, Heleno |
dc.contributor.author.fl_str_mv |
Tu, Daisy Gomes de Souza |
dc.subject.por.fl_str_mv |
Inferência Estatística |
topic |
Inferência Estatística |
description |
O objetivo principal dese estudo foi analisar os modelos de regressão linear estrutural Normal e t-Student com erros nas variáveis, com mudança abrupta em um ou mais parâmetros após o k-ésimo ponto desconhecido (ponto de mudança) de uma seqüência finita de observações, utilizando métodos bayesianos de análise de dados. A análise inferencial envolveu o problema de detectar a existência de mudança nos parâmetros, estimar o ponto de mudança k e os demais parâmetros, e também fazer a análise preditiva. O modelo Normal com erros de medida e sem pontos de mudança foi analisado sob diferentes escolhas de distribuição à priori incluindo também prioris impróprias. Foram demonstrados teoremas que estabelecem condições para a existência das distribuiçòes posterioris nos modelos Normal e t-Student com erros deoendentes (com e sem ponto de mudança) sob algumas escolhas específicas de prioris impróprias. Alguns algoritmos do tipo MCMC ('Markov Chain Monte Carlo') foram utilizados com o objetivo de amostrar das posterioris, como os algoritmos de 'Gibbs', 'Grouped Gibbs', 'Modified and Collapsed Gibbs' e 'Metrópolis-Hastings em Gibbs'. Foi feita uma análise de sensibilidade a variações nos valores dos seguintes hiperparâmetros: razão das variâncias residuais (nos modelos identificáveis) e o número de graus de liberdade da distribuição t (quando este é assumido conhecido). A qualidade do ajuste dos modelos foi avaliada utilizando resíduos bayesianos de validação cruzada |
publishDate |
2004 |
dc.date.none.fl_str_mv |
2004-05-14 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://teses.usp.br/teses/disponiveis/45/45133/tde-20210729-140900/ |
url |
https://teses.usp.br/teses/disponiveis/45/45133/tde-20210729-140900/ |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
|
dc.rights.driver.fl_str_mv |
Liberar o conteúdo para acesso público. info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Liberar o conteúdo para acesso público. |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.coverage.none.fl_str_mv |
|
dc.publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da USP instname:Universidade de São Paulo (USP) instacron:USP |
instname_str |
Universidade de São Paulo (USP) |
instacron_str |
USP |
institution |
USP |
reponame_str |
Biblioteca Digital de Teses e Dissertações da USP |
collection |
Biblioteca Digital de Teses e Dissertações da USP |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP) |
repository.mail.fl_str_mv |
virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br |
_version_ |
1809090927931686912 |