Diagnóstico de influência para modelos de regressão linear censurada com misturas de escala assimétrica de distribuições normais

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Fuentes Guzman, Daniel Camilo
Orientador(a): Louzada Neto, Francisco lattes
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Universidade Federal de São Carlos
Câmpus São Carlos
Programa de Pós-Graduação: Programa Interinstitucional de Pós-Graduação em Estatística - PIPGEs
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Censura
Algoritmo EM
Diagnóstico de influência
Modelos de regressão linear
Distribuições assimétricas
Área do conhecimento CNPq:
CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA
Link de acesso: https://repositorio.ufscar.br/handle/20.500.14289/20270
Resumo: In this research, we conducted studies on local and global influence diagnostics for \sigla{SSMN-CR}{Censored Linear Regression Models with Skew Scale Mixtures of Normal Distributions}, proposed by \citeonline{guzman2020}. Initially, we discussed methods for generating censored data, specifically presenting methods to generate randomly censored data with both unilateral and interval censoring. Subsequently, we addressed case deletion and local influence diagnostics based on the \textit{Q} function, inspired by the findings of \citeonline{zhu} and \citeonline{zhuelee}. To analyze the sensitivity of the maximum likelihood estimators of the SSMN-CR model parameters to small perturbations in assumptions and/or data, we considered various perturbation schemes, such as case weighting, explanatory variables, response variables, and perturbations in scale and skewness parameters. To illustrate the usefulness of the proposed methodology, we presented the analysis of a real dataset and three simulation studies.
id SCAR_f9557722fc2f80d521ebec36deba73c5
oai_identifier_str oai:repositorio.ufscar.br:20.500.14289/20270
network_acronym_str SCAR
network_name_str Repositório Institucional da UFSCAR
repository_id_str
spelling Fuentes Guzman, Daniel CamiloLouzada Neto, Franciscohttp://lattes.cnpq.br/0994050156415890http://lattes.cnpq.br/2331533814499858https://orcid.org/0000-0003-3402-0387https://orcid.org/0000-0001-7815-95542024-07-29T18:38:25Z2024-07-29T18:38:25Z2024-05-24FUENTES GUZMAN, Daniel Camilo. Diagnóstico de influência para modelos de regressão linear censurada com misturas de escala assimétrica de distribuições normais. 2024. Tese (Doutorado em Estatística) – Universidade Federal de São Carlos, São Carlos, 2024. Disponível em: https://repositorio.ufscar.br/handle/20.500.14289/20270.https://repositorio.ufscar.br/handle/20.500.14289/20270In this research, we conducted studies on local and global influence diagnostics for \sigla{SSMN-CR}{Censored Linear Regression Models with Skew Scale Mixtures of Normal Distributions}, proposed by \citeonline{guzman2020}. Initially, we discussed methods for generating censored data, specifically presenting methods to generate randomly censored data with both unilateral and interval censoring. Subsequently, we addressed case deletion and local influence diagnostics based on the \textit{Q} function, inspired by the findings of \citeonline{zhu} and \citeonline{zhuelee}. To analyze the sensitivity of the maximum likelihood estimators of the SSMN-CR model parameters to small perturbations in assumptions and/or data, we considered various perturbation schemes, such as case weighting, explanatory variables, response variables, and perturbations in scale and skewness parameters. To illustrate the usefulness of the proposed methodology, we presented the analysis of a real dataset and three simulation studies.Nesta pesquisa, conduzimos estudos de diagnóstico de influência local e global para modelos de regressão linear com censura e misturas de escala assimétrica de distribuições normais, propostos por \citeonline{guzman2020} e denotados como SSMN-CR. Inicialmente, discutimos métodos para gerar dados censurados, apresentando especificamente métodos para gerar dados censurados aleatórios com censura unilateral e intervalar. Posteriormente, abordamos a exclusão de casos e o diagnóstico de influência local com base na função \textit{Q}, inspirada nas descobertas de \citeonline{zhu} e \citeonline{zhuelee}. Para analisar a sensibilidade dos estimadores de máxima verossimilhança dos parâmetros do modelo SSMN-CR a pequenas perturbações nos pressupostos e/ou dados, consideramos vários esquemas de perturbação, como ponderação de casos, variáveis explicativas, variáveis resposta e perturbações nos parâmetros de escala e assimetria. Para ilustrar a utilidade da metodologia proposta, apresentamos a análise de um conjunto de dados reais e três estudos de simulação.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)001engUniversidade Federal de São CarlosCâmpus São CarlosPrograma Interinstitucional de Pós-Graduação em Estatística - PIPGEsUFSCarAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessCensuraAlgoritmo EMDiagnóstico de influênciaModelos de regressão linearDistribuições assimétricasCIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICADiagnóstico de influência para modelos de regressão linear censurada com misturas de escala assimétrica de distribuições normaisInfluence diagnostics for linear censored regression models with skew-scale mixtures of normal distributionsinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisreponame:Repositório Institucional da UFSCARinstname:Universidade Federal de São Carlos (UFSCAR)instacron:UFSCARTEXTThesis_Daniel_CFG_Pipges_UFScar___ICMC_USP (5).pdf.txtThesis_Daniel_CFG_Pipges_UFScar___ICMC_USP (5).pdf.txtExtracted texttext/plain102398https://repositorio.ufscar.br/bitstreams/425d27ed-ebd1-41a9-885f-c70f343616e4/downloade76e480b89421e0b60d012dc9c19a6b2MD53falseAnonymousREADTHUMBNAILThesis_Daniel_CFG_Pipges_UFScar___ICMC_USP (5).pdf.jpgThesis_Daniel_CFG_Pipges_UFScar___ICMC_USP (5).pdf.jpgGenerated Thumbnailimage/jpeg6526https://repositorio.ufscar.br/bitstreams/2503fc88-7c53-4d9a-bfbf-256bacff5625/download93140e96aedc8405458df7126026c78eMD54falseAnonymousREADORIGINALThesis_Daniel_CFG_Pipges_UFScar___ICMC_USP (5).pdfThesis_Daniel_CFG_Pipges_UFScar___ICMC_USP (5).pdfapplication/pdf1000118https://repositorio.ufscar.br/bitstreams/bdc6b3c6-5ffe-4ef7-bc91-d4bce9e87a09/downloadebcb459fd75264a6e12b6deb09ee9937MD51trueAnonymousREADCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8810https://repositorio.ufscar.br/bitstreams/dc139be4-690d-404d-93e5-ab118506a05f/downloadf337d95da1fce0a22c77480e5e9a7aecMD52falseAnonymousREAD20.500.14289/202702025-02-06 02:50:06.757http://creativecommons.org/licenses/by-nc-nd/3.0/br/Attribution-NonCommercial-NoDerivs 3.0 Brazilopen.accessoai:repositorio.ufscar.br:20.500.14289/20270https://repositorio.ufscar.brRepositório InstitucionalPUBhttps://repositorio.ufscar.br/oai/requestrepositorio.sibi@ufscar.bropendoar:43222025-02-06T05:50:06Repositório Institucional da UFSCAR - Universidade Federal de São Carlos (UFSCAR)false
dc.title.por.fl_str_mv Diagnóstico de influência para modelos de regressão linear censurada com misturas de escala assimétrica de distribuições normais
dc.title.alternative.eng.fl_str_mv Influence diagnostics for linear censored regression models with skew-scale mixtures of normal distributions
title Diagnóstico de influência para modelos de regressão linear censurada com misturas de escala assimétrica de distribuições normais
spellingShingle Diagnóstico de influência para modelos de regressão linear censurada com misturas de escala assimétrica de distribuições normais
Fuentes Guzman, Daniel Camilo
Censura
Algoritmo EM
Diagnóstico de influência
Modelos de regressão linear
Distribuições assimétricas
CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA
title_short Diagnóstico de influência para modelos de regressão linear censurada com misturas de escala assimétrica de distribuições normais
title_full Diagnóstico de influência para modelos de regressão linear censurada com misturas de escala assimétrica de distribuições normais
title_fullStr Diagnóstico de influência para modelos de regressão linear censurada com misturas de escala assimétrica de distribuições normais
title_full_unstemmed Diagnóstico de influência para modelos de regressão linear censurada com misturas de escala assimétrica de distribuições normais
title_sort Diagnóstico de influência para modelos de regressão linear censurada com misturas de escala assimétrica de distribuições normais
author Fuentes Guzman, Daniel Camilo
author_facet Fuentes Guzman, Daniel Camilo
author_role author
dc.contributor.authorlattes.por.fl_str_mv http://lattes.cnpq.br/2331533814499858
dc.contributor.authororcid.por.fl_str_mv https://orcid.org/0000-0003-3402-0387
dc.contributor.advisor1orcid.por.fl_str_mv https://orcid.org/0000-0001-7815-9554
dc.contributor.author.fl_str_mv Fuentes Guzman, Daniel Camilo
dc.contributor.advisor1.fl_str_mv Louzada Neto, Francisco
dc.contributor.advisor1Lattes.fl_str_mv http://lattes.cnpq.br/0994050156415890
contributor_str_mv Louzada Neto, Francisco
dc.subject.por.fl_str_mv Censura
Algoritmo EM
Diagnóstico de influência
Modelos de regressão linear
Distribuições assimétricas
topic Censura
Algoritmo EM
Diagnóstico de influência
Modelos de regressão linear
Distribuições assimétricas
CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA
dc.subject.cnpq.fl_str_mv CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA
description In this research, we conducted studies on local and global influence diagnostics for \sigla{SSMN-CR}{Censored Linear Regression Models with Skew Scale Mixtures of Normal Distributions}, proposed by \citeonline{guzman2020}. Initially, we discussed methods for generating censored data, specifically presenting methods to generate randomly censored data with both unilateral and interval censoring. Subsequently, we addressed case deletion and local influence diagnostics based on the \textit{Q} function, inspired by the findings of \citeonline{zhu} and \citeonline{zhuelee}. To analyze the sensitivity of the maximum likelihood estimators of the SSMN-CR model parameters to small perturbations in assumptions and/or data, we considered various perturbation schemes, such as case weighting, explanatory variables, response variables, and perturbations in scale and skewness parameters. To illustrate the usefulness of the proposed methodology, we presented the analysis of a real dataset and three simulation studies.
publishDate 2024
dc.date.accessioned.fl_str_mv 2024-07-29T18:38:25Z
dc.date.available.fl_str_mv 2024-07-29T18:38:25Z
dc.date.issued.fl_str_mv 2024-05-24
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.citation.fl_str_mv FUENTES GUZMAN, Daniel Camilo. Diagnóstico de influência para modelos de regressão linear censurada com misturas de escala assimétrica de distribuições normais. 2024. Tese (Doutorado em Estatística) – Universidade Federal de São Carlos, São Carlos, 2024. Disponível em: https://repositorio.ufscar.br/handle/20.500.14289/20270.
dc.identifier.uri.fl_str_mv https://repositorio.ufscar.br/handle/20.500.14289/20270
identifier_str_mv FUENTES GUZMAN, Daniel Camilo. Diagnóstico de influência para modelos de regressão linear censurada com misturas de escala assimétrica de distribuições normais. 2024. Tese (Doutorado em Estatística) – Universidade Federal de São Carlos, São Carlos, 2024. Disponível em: https://repositorio.ufscar.br/handle/20.500.14289/20270.
url https://repositorio.ufscar.br/handle/20.500.14289/20270
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv Attribution-NonCommercial-NoDerivs 3.0 Brazil
http://creativecommons.org/licenses/by-nc-nd/3.0/br/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Attribution-NonCommercial-NoDerivs 3.0 Brazil
http://creativecommons.org/licenses/by-nc-nd/3.0/br/
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal de São Carlos
Câmpus São Carlos
dc.publisher.program.fl_str_mv Programa Interinstitucional de Pós-Graduação em Estatística - PIPGEs
dc.publisher.initials.fl_str_mv UFSCar
publisher.none.fl_str_mv Universidade Federal de São Carlos
Câmpus São Carlos
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSCAR
instname:Universidade Federal de São Carlos (UFSCAR)
instacron:UFSCAR
instname_str Universidade Federal de São Carlos (UFSCAR)
instacron_str UFSCAR
institution UFSCAR
reponame_str Repositório Institucional da UFSCAR
collection Repositório Institucional da UFSCAR
bitstream.url.fl_str_mv https://repositorio.ufscar.br/bitstreams/425d27ed-ebd1-41a9-885f-c70f343616e4/download
https://repositorio.ufscar.br/bitstreams/2503fc88-7c53-4d9a-bfbf-256bacff5625/download
https://repositorio.ufscar.br/bitstreams/bdc6b3c6-5ffe-4ef7-bc91-d4bce9e87a09/download
https://repositorio.ufscar.br/bitstreams/dc139be4-690d-404d-93e5-ab118506a05f/download
bitstream.checksum.fl_str_mv e76e480b89421e0b60d012dc9c19a6b2
93140e96aedc8405458df7126026c78e
ebcb459fd75264a6e12b6deb09ee9937
f337d95da1fce0a22c77480e5e9a7aec
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFSCAR - Universidade Federal de São Carlos (UFSCAR)
repository.mail.fl_str_mv repositorio.sibi@ufscar.br
_version_ 1851688764796043264

Registros relacionados