Modelos não lineares elípticos para dados correlacionados
Autor(a) principal: | |
---|---|
Data de Publicação: | 2010 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da USP |
Texto Completo: | https://doi.org/10.11606/T.45.2010.tde-20220712-124509 |
Resumo: | Neste trabalho discutimos o desenvolvimento e a análise de modelos de regressão elípticos não lineares com efeitos mistos, que proporcionam alternativas ao uso da distribuição normal e podem permitir melhores ajustes a dados não lineares correlacionados, em situações de caudas pesadas ou presença de pontos aberrantes, por exemplo, já que, naturalmente, atribuem pesos para cada observação. Nos últimos anos tem havido um crescente interesse pela classe elíptica, que abrange distribuições com caudas leves e pesadas, como a t-Student, logística, exponencial potência, a própria distribuição normal, entre outras. Entretanto, poucos trabalhos podem ser encontrados na literatura considerando modelos elípticos não lineares. Consideramos problemas previamente discutidos sob normalidade e que apresentam pontos aberrantes ou caudas pesadas, que são reanalisados sob o enfoque elíptico a fim de obter estimativas robustas contra pontos aberrantes e modelos com maior aderência aos dados de interesse. Para avaliar componentes de variância consideramos testes do tipo escore propostos por Silvapulle and Silvapulle (1995) utilizando o modelo marginal. Apresentamos também um amplo estudo de sensitividade baseado em técnicas de diagnóstico como análise de resíduos e infruência local (Cook 1986), que agem como ferramentas para a escolha de modelos. Como ilustrações numéricas analisamos conjuntos de dados reais, como por exemplo dados cinéticos e de curvas de crescimento |
id |
USP_8ba37c29c9ffb5a05fd1a12d104c005d |
---|---|
oai_identifier_str |
oai:teses.usp.br:tde-20220712-124509 |
network_acronym_str |
USP |
network_name_str |
Biblioteca Digital de Teses e Dissertações da USP |
repository_id_str |
2721 |
spelling |
info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesis Modelos não lineares elípticos para dados correlacionados not available 2010-02-11Gilberto Alvarenga PaulaCibele Maria Russo NovelliUniversidade de São PauloEstatísticaUSPBR Análise Multivariada Neste trabalho discutimos o desenvolvimento e a análise de modelos de regressão elípticos não lineares com efeitos mistos, que proporcionam alternativas ao uso da distribuição normal e podem permitir melhores ajustes a dados não lineares correlacionados, em situações de caudas pesadas ou presença de pontos aberrantes, por exemplo, já que, naturalmente, atribuem pesos para cada observação. Nos últimos anos tem havido um crescente interesse pela classe elíptica, que abrange distribuições com caudas leves e pesadas, como a t-Student, logística, exponencial potência, a própria distribuição normal, entre outras. Entretanto, poucos trabalhos podem ser encontrados na literatura considerando modelos elípticos não lineares. Consideramos problemas previamente discutidos sob normalidade e que apresentam pontos aberrantes ou caudas pesadas, que são reanalisados sob o enfoque elíptico a fim de obter estimativas robustas contra pontos aberrantes e modelos com maior aderência aos dados de interesse. Para avaliar componentes de variância consideramos testes do tipo escore propostos por Silvapulle and Silvapulle (1995) utilizando o modelo marginal. Apresentamos também um amplo estudo de sensitividade baseado em técnicas de diagnóstico como análise de resíduos e infruência local (Cook 1986), que agem como ferramentas para a escolha de modelos. Como ilustrações numéricas analisamos conjuntos de dados reais, como por exemplo dados cinéticos e de curvas de crescimento not available https://doi.org/10.11606/T.45.2010.tde-20220712-124509info:eu-repo/semantics/openAccessporreponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USP2023-12-21T19:43:36Zoai:teses.usp.br:tde-20220712-124509Biblioteca 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:27212023-12-22T13:03:28.233912Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false |
dc.title.pt.fl_str_mv |
Modelos não lineares elípticos para dados correlacionados |
dc.title.alternative.en.fl_str_mv |
not available |
title |
Modelos não lineares elípticos para dados correlacionados |
spellingShingle |
Modelos não lineares elípticos para dados correlacionados Cibele Maria Russo Novelli |
title_short |
Modelos não lineares elípticos para dados correlacionados |
title_full |
Modelos não lineares elípticos para dados correlacionados |
title_fullStr |
Modelos não lineares elípticos para dados correlacionados |
title_full_unstemmed |
Modelos não lineares elípticos para dados correlacionados |
title_sort |
Modelos não lineares elípticos para dados correlacionados |
author |
Cibele Maria Russo Novelli |
author_facet |
Cibele Maria Russo Novelli |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Gilberto Alvarenga Paula |
dc.contributor.author.fl_str_mv |
Cibele Maria Russo Novelli |
contributor_str_mv |
Gilberto Alvarenga Paula |
description |
Neste trabalho discutimos o desenvolvimento e a análise de modelos de regressão elípticos não lineares com efeitos mistos, que proporcionam alternativas ao uso da distribuição normal e podem permitir melhores ajustes a dados não lineares correlacionados, em situações de caudas pesadas ou presença de pontos aberrantes, por exemplo, já que, naturalmente, atribuem pesos para cada observação. Nos últimos anos tem havido um crescente interesse pela classe elíptica, que abrange distribuições com caudas leves e pesadas, como a t-Student, logística, exponencial potência, a própria distribuição normal, entre outras. Entretanto, poucos trabalhos podem ser encontrados na literatura considerando modelos elípticos não lineares. Consideramos problemas previamente discutidos sob normalidade e que apresentam pontos aberrantes ou caudas pesadas, que são reanalisados sob o enfoque elíptico a fim de obter estimativas robustas contra pontos aberrantes e modelos com maior aderência aos dados de interesse. Para avaliar componentes de variância consideramos testes do tipo escore propostos por Silvapulle and Silvapulle (1995) utilizando o modelo marginal. Apresentamos também um amplo estudo de sensitividade baseado em técnicas de diagnóstico como análise de resíduos e infruência local (Cook 1986), que agem como ferramentas para a escolha de modelos. Como ilustrações numéricas analisamos conjuntos de dados reais, como por exemplo dados cinéticos e de curvas de crescimento |
publishDate |
2010 |
dc.date.issued.fl_str_mv |
2010-02-11 |
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://doi.org/10.11606/T.45.2010.tde-20220712-124509 |
url |
https://doi.org/10.11606/T.45.2010.tde-20220712-124509 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade de São Paulo |
dc.publisher.program.fl_str_mv |
Estatística |
dc.publisher.initials.fl_str_mv |
USP |
dc.publisher.country.fl_str_mv |
BR |
publisher.none.fl_str_mv |
Universidade de São Paulo |
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_ |
1794502931277414400 |