Detecting Influential observations in spatial models using Bregman divergence

Detalhes bibliográficos
Autor(a) principal: Danilevicz, Ian Meneghel
Data de Publicação: 2018
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
Texto Completo: http://www.teses.usp.br/teses/disponiveis/104/104131/tde-13112018-160231/
Resumo: How to evaluate if a spatial model is well ajusted to a problem? How to know if it is the best model between the class of conditional autoregressive (CAR) and simultaneous autoregressive (SAR) models, including homoscedasticity and heteroscedasticity cases? To answer these questions inside Bayesian framework, we propose new ways to apply Bregman divergence, as well as recent information criteria as widely applicable information criterion (WAIC) and leave-one-out cross-validation (LOO). The functional Bregman divergence is a generalized form of the well known Kullback-Leiber (KL) divergence. There is many special cases of it which might be used to identify influential points. All the posterior distributions displayed in this text were estimate by Hamiltonian Monte Carlo (HMC), a optimized version of Metropolis-Hasting algorithm. All ideas showed here were evaluate by both: simulation and real data.
id USP_9cabeca8698a8da9520eb3e2182b1210
oai_identifier_str oai:teses.usp.br:tde-13112018-160231
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str 2721
spelling Detecting Influential observations in spatial models using Bregman divergenceDetecção de observações influentes em modelos espaciais usando divergência de BregmanBayesian inferenceBregman divergenceDivergência de BregmanHamiltonian Monte CarloHeteroscedasticidadeHeteroscedasticityInferência BayesianaInfluential pointsModelos espaciaisMonte Carlo HamiltonianoPontos influentesspatial modelsHow to evaluate if a spatial model is well ajusted to a problem? How to know if it is the best model between the class of conditional autoregressive (CAR) and simultaneous autoregressive (SAR) models, including homoscedasticity and heteroscedasticity cases? To answer these questions inside Bayesian framework, we propose new ways to apply Bregman divergence, as well as recent information criteria as widely applicable information criterion (WAIC) and leave-one-out cross-validation (LOO). The functional Bregman divergence is a generalized form of the well known Kullback-Leiber (KL) divergence. There is many special cases of it which might be used to identify influential points. All the posterior distributions displayed in this text were estimate by Hamiltonian Monte Carlo (HMC), a optimized version of Metropolis-Hasting algorithm. All ideas showed here were evaluate by both: simulation and real data.Como avaliar se um modelo espacial está bem ajustado? Como escolher o melhor modelo entre muitos da classe autorregressivo condicional (CAR) e autorregressivo simultâneo (SAR), homoscedásticos e heteroscedásticos? Para responder essas perguntas dentro do paradigma bayesiano, propomos novas formas de aplicar a divergência de Bregman, assim como critérios de informação bastante recentes na literatura, são eles o widely applicable information criterion (WAIC) e validação cruzada leave-one-out (LOO). O funcional de Bregman é uma generalização da famosa divergência de Kullback-Leiber (KL). Há diversos casos particulares dela que podem ser usados para identificar pontos influentes. Todas as distribuições a posteriori apresentadas nesta dissertação foram estimadas usando Monte Carlo Hamiltoniano (HMC), uma versão otimizada do algoritmo Metropolis-Hastings. Todas as ideias apresentadas neste texto foram submetidas a simulações e aplicadas em dados reais.Biblioteca Digitais de Teses e Dissertações da USPEhlers, Ricardo SandesDanilevicz, Ian Meneghel2018-02-26info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://www.teses.usp.br/teses/disponiveis/104/104131/tde-13112018-160231/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/openAccesseng2019-12-12T13:00:05Zoai:teses.usp.br:tde-13112018-160231Biblioteca 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:27212019-12-12T13:00:05Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Detecting Influential observations in spatial models using Bregman divergence
Detecção de observações influentes em modelos espaciais usando divergência de Bregman
title Detecting Influential observations in spatial models using Bregman divergence
spellingShingle Detecting Influential observations in spatial models using Bregman divergence
Danilevicz, Ian Meneghel
Bayesian inference
Bregman divergence
Divergência de Bregman
Hamiltonian Monte Carlo
Heteroscedasticidade
Heteroscedasticity
Inferência Bayesiana
Influential points
Modelos espaciais
Monte Carlo Hamiltoniano
Pontos influentes
spatial models
title_short Detecting Influential observations in spatial models using Bregman divergence
title_full Detecting Influential observations in spatial models using Bregman divergence
title_fullStr Detecting Influential observations in spatial models using Bregman divergence
title_full_unstemmed Detecting Influential observations in spatial models using Bregman divergence
title_sort Detecting Influential observations in spatial models using Bregman divergence
author Danilevicz, Ian Meneghel
author_facet Danilevicz, Ian Meneghel
author_role author
dc.contributor.none.fl_str_mv Ehlers, Ricardo Sandes
dc.contributor.author.fl_str_mv Danilevicz, Ian Meneghel
dc.subject.por.fl_str_mv Bayesian inference
Bregman divergence
Divergência de Bregman
Hamiltonian Monte Carlo
Heteroscedasticidade
Heteroscedasticity
Inferência Bayesiana
Influential points
Modelos espaciais
Monte Carlo Hamiltoniano
Pontos influentes
spatial models
topic Bayesian inference
Bregman divergence
Divergência de Bregman
Hamiltonian Monte Carlo
Heteroscedasticidade
Heteroscedasticity
Inferência Bayesiana
Influential points
Modelos espaciais
Monte Carlo Hamiltoniano
Pontos influentes
spatial models
description How to evaluate if a spatial model is well ajusted to a problem? How to know if it is the best model between the class of conditional autoregressive (CAR) and simultaneous autoregressive (SAR) models, including homoscedasticity and heteroscedasticity cases? To answer these questions inside Bayesian framework, we propose new ways to apply Bregman divergence, as well as recent information criteria as widely applicable information criterion (WAIC) and leave-one-out cross-validation (LOO). The functional Bregman divergence is a generalized form of the well known Kullback-Leiber (KL) divergence. There is many special cases of it which might be used to identify influential points. All the posterior distributions displayed in this text were estimate by Hamiltonian Monte Carlo (HMC), a optimized version of Metropolis-Hasting algorithm. All ideas showed here were evaluate by both: simulation and real data.
publishDate 2018
dc.date.none.fl_str_mv 2018-02-26
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://www.teses.usp.br/teses/disponiveis/104/104131/tde-13112018-160231/
url http://www.teses.usp.br/teses/disponiveis/104/104131/tde-13112018-160231/
dc.language.iso.fl_str_mv eng
language eng
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_ 1815256949443264512

Registros relacionados