Modelos semiparamétricos com erros da classe de distribuições de mistura na escala normal: uma abordagem Bayesiana
Autor(a) principal: | |
---|---|
Data de Publicação: | 2015 |
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-20230727-112929/ |
Resumo: | Neste trabalho estudamos modelos de regressão semiparamétricos sob a abordagem bayesiana, em que sua componente aleatória é descrita usando distribuições de mistura normal na escala, as quais incluem distribuições bem conhecidas como a normal, t-Student, slash, normal contaminada, Laplace e hiperbólica simétrica. Na primeira parte do trabalho, estudamos a inferência e diagnóstico nos modelos semiparamétricos aditivos elípticos generalizados, em que o parâmetro de localização bem como o de dispersão incluem componentes não paramétricas aditivas aproximadas usando B-splines. Em seguida, estudamos a versão estrutural sistemática destes modelos admite variáveis explicativas com e sem erro de medição bem como a presença de efeitos não lineares aproximados usando B-splines. Com o objetivo de gerar amostras da distribuição a posteriori dos parâmetros dos modelos estudados, propomos algoritmos MCMC eficientes. Adicionalmente, desenvolvemos o pacote BayesGESM na linguagem R, o qual é uma ferramenta computacional para aplicar os métodos estatísticos estudados neste trabalho. |
id |
USP_df473f5c78af098a32f273248054be91 |
---|---|
oai_identifier_str |
oai:teses.usp.br:tde-20230727-112929 |
network_acronym_str |
USP |
network_name_str |
Biblioteca Digital de Teses e Dissertações da USP |
repository_id_str |
2721 |
spelling |
Modelos semiparamétricos com erros da classe de distribuições de mistura na escala normal: uma abordagem Bayesiananot availableHeteroscedasticidadeInferência EstatísticaNeste trabalho estudamos modelos de regressão semiparamétricos sob a abordagem bayesiana, em que sua componente aleatória é descrita usando distribuições de mistura normal na escala, as quais incluem distribuições bem conhecidas como a normal, t-Student, slash, normal contaminada, Laplace e hiperbólica simétrica. Na primeira parte do trabalho, estudamos a inferência e diagnóstico nos modelos semiparamétricos aditivos elípticos generalizados, em que o parâmetro de localização bem como o de dispersão incluem componentes não paramétricas aditivas aproximadas usando B-splines. Em seguida, estudamos a versão estrutural sistemática destes modelos admite variáveis explicativas com e sem erro de medição bem como a presença de efeitos não lineares aproximados usando B-splines. Com o objetivo de gerar amostras da distribuição a posteriori dos parâmetros dos modelos estudados, propomos algoritmos MCMC eficientes. Adicionalmente, desenvolvemos o pacote BayesGESM na linguagem R, o qual é uma ferramenta computacional para aplicar os métodos estatísticos estudados neste trabalho.not availableBiblioteca Digitais de Teses e Dissertações da USPBolfarine, HelenoPoveda, Luz Marina Rondon2015-06-26info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfhttps://teses.usp.br/teses/disponiveis/45/45133/tde-20230727-112929/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/openAccesspor2024-08-16T17:38:03Zoai:teses.usp.br:tde-20230727-112929Biblioteca 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:27212024-08-16T17:38:03Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false |
dc.title.none.fl_str_mv |
Modelos semiparamétricos com erros da classe de distribuições de mistura na escala normal: uma abordagem Bayesiana not available |
title |
Modelos semiparamétricos com erros da classe de distribuições de mistura na escala normal: uma abordagem Bayesiana |
spellingShingle |
Modelos semiparamétricos com erros da classe de distribuições de mistura na escala normal: uma abordagem Bayesiana Poveda, Luz Marina Rondon Heteroscedasticidade Inferência Estatística |
title_short |
Modelos semiparamétricos com erros da classe de distribuições de mistura na escala normal: uma abordagem Bayesiana |
title_full |
Modelos semiparamétricos com erros da classe de distribuições de mistura na escala normal: uma abordagem Bayesiana |
title_fullStr |
Modelos semiparamétricos com erros da classe de distribuições de mistura na escala normal: uma abordagem Bayesiana |
title_full_unstemmed |
Modelos semiparamétricos com erros da classe de distribuições de mistura na escala normal: uma abordagem Bayesiana |
title_sort |
Modelos semiparamétricos com erros da classe de distribuições de mistura na escala normal: uma abordagem Bayesiana |
author |
Poveda, Luz Marina Rondon |
author_facet |
Poveda, Luz Marina Rondon |
author_role |
author |
dc.contributor.none.fl_str_mv |
Bolfarine, Heleno |
dc.contributor.author.fl_str_mv |
Poveda, Luz Marina Rondon |
dc.subject.por.fl_str_mv |
Heteroscedasticidade Inferência Estatística |
topic |
Heteroscedasticidade Inferência Estatística |
description |
Neste trabalho estudamos modelos de regressão semiparamétricos sob a abordagem bayesiana, em que sua componente aleatória é descrita usando distribuições de mistura normal na escala, as quais incluem distribuições bem conhecidas como a normal, t-Student, slash, normal contaminada, Laplace e hiperbólica simétrica. Na primeira parte do trabalho, estudamos a inferência e diagnóstico nos modelos semiparamétricos aditivos elípticos generalizados, em que o parâmetro de localização bem como o de dispersão incluem componentes não paramétricas aditivas aproximadas usando B-splines. Em seguida, estudamos a versão estrutural sistemática destes modelos admite variáveis explicativas com e sem erro de medição bem como a presença de efeitos não lineares aproximados usando B-splines. Com o objetivo de gerar amostras da distribuição a posteriori dos parâmetros dos modelos estudados, propomos algoritmos MCMC eficientes. Adicionalmente, desenvolvemos o pacote BayesGESM na linguagem R, o qual é uma ferramenta computacional para aplicar os métodos estatísticos estudados neste trabalho. |
publishDate |
2015 |
dc.date.none.fl_str_mv |
2015-06-26 |
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-20230727-112929/ |
url |
https://teses.usp.br/teses/disponiveis/45/45133/tde-20230727-112929/ |
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_ |
1809090937449611264 |