Full Bayesian Significance Test para dados de sobrevivência bivariados: seleção de modelos encaixados da Cópula PVF

• Autor(a) principal: Murilo Cantoni
• Data de Publicação: 2021
• 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.104.2021.tde-27082021-142959

Investigar e modelar a dependência existente em um conjunto de variáveis aleatórias é um tema amplamente discutido em estatística. Neste contexto, o uso de cópulas torna-se interessante por tratar-se de uma abordagem flexível que permite estudar, em um primeiro momento, as distribuições univariadas e, posteriormente, a estrutura de dependência. Em problemas práticos, conhecer a cópula que melhor conecta as distribuições marginais à função de distribuição conjunta não é uma tarefa simples. Em geral, vários modelos são ajustados de acordo com o tipo de dependência existente no conjunto de dados e algum critério de seleção é aplicado com o intuito de escolher o melhor modelo. Neste trabalho, utilizamos a família Arquimediana de dois parâmetros Power Variance Function (PVF), que inclui as cópulas de Clayton, Gumbel e Gaussiana Inversa (IG) como casos particulares ou casos limites, pois oferece uma abordagem unificada e flexível para ajustar modelos de cópulas amplamente utilizadas e propomos a utilização do Full Bayesian Significance Test (FBST) como critério de seleção de modelos encaixados. Validamos os resultados através de um estudo de simulação e ilustramos a utilidade da metodologia usando dados sobre os tempos de apendicectomia para gêmeos adultos.