Bayesian inference in beta and inflated beta regression models

dc.creatorNogarotto, Danilo Covaes, 1987-
dc.date2013
dc.date2013-04-07T00:00:00Z
dc.date2017-04-01T20:14:26Z
dc.date2017-06-21T18:38:16Z
dc.date2017-04-01T20:14:26Z
dc.date2017-06-21T18:38:16Z
dc.date.accessioned2018-03-29T03:00:44Z
dc.date.available2018-03-29T03:00:44Z
dc.identifierNOGAROTTO, Danilo Covaes. Inferência bayesiana em modelos de regressão beta e beta inflacionados. 2013. 190 p. Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Matemática Estatística e Computação Científica, Campinas, SP. Disponível em: <http://www.bibliotecadigital.unicamp.br/document/?code=000912159>. Acesso em: 1 abr. 2017.
dc.identifierhttp://repositorio.unicamp.br/jspui/handle/REPOSIP/306790
dc.identifier.urihttp://repositorioslatinoamericanos.uchile.cl/handle/2250/1324772
dc.descriptionOrientador: Caio Lucidius Naberezny Azevedo
dc.descriptionDissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Matemática Estatística e Computação Científica
dc.descriptionResumo: No presente trabalho desenvolvemos ferramentas de inferência bayesiana para modelos de regressão beta e beta inflacionados, em relação à estimação paramétrica e diagnóstico. Trabalhamos com modelos de regressão beta não inflacionados, inflacionados em zero ou um e inflacionados em zero e um. Devido à impossibilidade de obtenção analítica das posteriores de interesse, tais ferramentas foram desenvolvidas através de algoritmos MCMC. Para os parâmetros da estrutura de regressão e para o parâmetro de precisão exploramos a utilização de prioris comumente empregadas em modelos de regressão, bem como prioris de Jeffreys e de Jeffreys sob independência. Para os parâmetros das componentes discretas, consideramos prioris conjugadas. Realizamos diversos estudos de simulação considerando algumas situações de interesse prático com o intuito de comparar as estimativas bayesianas com as frequentistas e também de estudar a sensibilidade dos modelos _a escolha de prioris. Um conjunto de dados da área psicométrica foi analisado para ilustrar o potencial do ferramental desenvolvido. Os resultados indicaram que há ganho ao se considerar modelos que contemplam as observações inflacionadas ao invés de transformá-las a fim de utilizar modelos não inflacionados
dc.descriptionAbstract: In the present work we developed Bayesian tools, concerning parameter estimation and diagnostics, for noninflated, zero inflated, one inflated and zero-one inflated beta regression models. Due to the impossibility of obtaining the posterior distributions of interest, analytically, all these tools were developed through MCMC algorithms. For the regression and precision parameters we exploited the using of prior distributions commonly considered in regression models as well as Jeffreys and independence Jeffreys priors. For the parameters related to the discrete components, we considered conjugate prior distributions. We performed simulation studies, considering some situations of practical interest, in order to compare the Bayesian and frequentist estimates as well as to evaluate the sensitivity of the models to the prior choice. A psychometric real data set was analyzed to illustrate the performance of the developed tools. The results indicated that there is an overall improvement in using models that consider the inflated observations compared to transforming these observations in order to use noninflated models
dc.descriptionMestrado
dc.descriptionEstatistica
dc.descriptionMestre em Estatística
dc.format190 p. : il.
dc.formatapplication/pdf
dc.languagePortuguês
dc.publisher[s.n.]
dc.subjectRegressão beta inflacionada
dc.subjectInferência bayesiana
dc.subjectMétodos MCMC
dc.subjectJeffreys, Priori de
dc.subjectInflated beta regression
dc.subjectBayesian inference
dc.subjectMCMC methods
dc.subjectJeffreys prior
dc.titleInferência bayesiana em modelos de regressão beta e beta inflacionados
dc.titleBayesian inference in beta and inflated beta regression models
dc.typeTesis


Este ítem pertenece a la siguiente institución