Análise Bayesiana de Modelos para Dados Binários Correlacionados

Detalhes bibliográficos
Autor(a) principal: Janeiro, Vanderly
Data de Publicação: 2000
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-02032018-141504/
Resumo: Nesta dissertação, desenvolvemos uma análise Bayesiana de modelos de regressão para dados binários correlacionados com covariáveis, podendo ocorrer réplicas. Assumimos os modelos de regressão logístico e probito para dados binários correlacionados considerando efeitos aleatórios com uma mistura de distribuições normais, pois este modelo tem uma grande flexibilidade para ser ajustado aos dados binários correlacionados em muitas aplicações. Também fazemos algumas considerações aos casos onde podem ocorrer repetições das observações ou réplicas. Assumimos distribuições a priori informativas para os parâmetros do modelo e consideramos os algoritmos Gibbs sampling e Metropolis- Hastings, para obter as estimativas de Monte Carlo para as quantidades a posteriori de interesse. Apresentamos também algumas considerações na seleção de modelos utilizando uma medida da discrepância entre o modelo ajustado e os dados (resíduo de Pearson) e utilizando as densidades preditivas (fator de Bayes) estimadas por MCMC (Monte Carlo em Cadeias de Markov). Apresentamos um exemplo númerico para ilustrar os métodos propostos.
id USP_e5236b0b5e6bf2d79221e3b4de3e54ed
oai_identifier_str oai:teses.usp.br:tde-02032018-141504
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str 2721
spelling Análise Bayesiana de Modelos para Dados Binários CorrelacionadosNot availableNão disponívelNot availabeNesta dissertação, desenvolvemos uma análise Bayesiana de modelos de regressão para dados binários correlacionados com covariáveis, podendo ocorrer réplicas. Assumimos os modelos de regressão logístico e probito para dados binários correlacionados considerando efeitos aleatórios com uma mistura de distribuições normais, pois este modelo tem uma grande flexibilidade para ser ajustado aos dados binários correlacionados em muitas aplicações. Também fazemos algumas considerações aos casos onde podem ocorrer repetições das observações ou réplicas. Assumimos distribuições a priori informativas para os parâmetros do modelo e consideramos os algoritmos Gibbs sampling e Metropolis- Hastings, para obter as estimativas de Monte Carlo para as quantidades a posteriori de interesse. Apresentamos também algumas considerações na seleção de modelos utilizando uma medida da discrepância entre o modelo ajustado e os dados (resíduo de Pearson) e utilizando as densidades preditivas (fator de Bayes) estimadas por MCMC (Monte Carlo em Cadeias de Markov). Apresentamos um exemplo númerico para ilustrar os métodos propostos.In this dissertation, we develop a Bayesian analysis of regression models for correlated binary data in the presence of covariates, including the case with replicates. We consider probit and logistic regression models for correlated binary data assuming random effects with a mixture of normal distributions, since this model have great flexibility to the fitted for correlated binary data. We also present some considerations for the case with replicates. We assume informative prior distributions for the parameters of the model and we use Gibbs sampling and Metropolis-Hastings algorithms to get Monte Cano estimates for the posterior quantities of interest. We also present some considerations for the selection of models using discrepancy measures between the fitted model and the data (Pearson residuais) and using the predictive densities (Bayes factor) estimated by MCMC (Markov Chain Monte Cano). We present a numerical example to illustrate the proposed methodology.Biblioteca Digitais de Teses e Dissertações da USPAchcar, Jorge AlbertoJaneiro, Vanderly2000-05-05info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://www.teses.usp.br/teses/disponiveis/55/55134/tde-02032018-141504/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/openAccesspor2018-07-19T20:50:39Zoai:teses.usp.br:tde-02032018-141504Biblioteca 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:27212018-07-19T20:50:39Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Análise Bayesiana de Modelos para Dados Binários Correlacionados
Not available
title Análise Bayesiana de Modelos para Dados Binários Correlacionados
spellingShingle Análise Bayesiana de Modelos para Dados Binários Correlacionados
Janeiro, Vanderly
Não disponível
Not availabe
title_short Análise Bayesiana de Modelos para Dados Binários Correlacionados
title_full Análise Bayesiana de Modelos para Dados Binários Correlacionados
title_fullStr Análise Bayesiana de Modelos para Dados Binários Correlacionados
title_full_unstemmed Análise Bayesiana de Modelos para Dados Binários Correlacionados
title_sort Análise Bayesiana de Modelos para Dados Binários Correlacionados
author Janeiro, Vanderly
author_facet Janeiro, Vanderly
author_role author
dc.contributor.none.fl_str_mv Achcar, Jorge Alberto
dc.contributor.author.fl_str_mv Janeiro, Vanderly
dc.subject.por.fl_str_mv Não disponível
Not availabe
topic Não disponível
Not availabe
description Nesta dissertação, desenvolvemos uma análise Bayesiana de modelos de regressão para dados binários correlacionados com covariáveis, podendo ocorrer réplicas. Assumimos os modelos de regressão logístico e probito para dados binários correlacionados considerando efeitos aleatórios com uma mistura de distribuições normais, pois este modelo tem uma grande flexibilidade para ser ajustado aos dados binários correlacionados em muitas aplicações. Também fazemos algumas considerações aos casos onde podem ocorrer repetições das observações ou réplicas. Assumimos distribuições a priori informativas para os parâmetros do modelo e consideramos os algoritmos Gibbs sampling e Metropolis- Hastings, para obter as estimativas de Monte Carlo para as quantidades a posteriori de interesse. Apresentamos também algumas considerações na seleção de modelos utilizando uma medida da discrepância entre o modelo ajustado e os dados (resíduo de Pearson) e utilizando as densidades preditivas (fator de Bayes) estimadas por MCMC (Monte Carlo em Cadeias de Markov). Apresentamos um exemplo númerico para ilustrar os métodos propostos.
publishDate 2000
dc.date.none.fl_str_mv 2000-05-05
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/55/55134/tde-02032018-141504/
url http://www.teses.usp.br/teses/disponiveis/55/55134/tde-02032018-141504/
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_ 1815256601168183296

Registros relacionados