Estimação via EM e diagnóstico em modelos misturas assimétricas com regressão

• Ano de defesa: 2018
• Autor(a) principal: Louredo, Graciliano Márcio Santos
• Orientador(a): Zeller, Camila Borelli
• Banca de defesa: Takahashi, Lucy Tiemi , Labra, Filidor Edilfonso Vilca
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Juiz de Fora (UFJF)
• Programa de Pós-Graduação: Mestrado Acadêmico em Matemática
• Departamento: ICE – Instituto de Ciências Exatas
• País: Brasil
• Palavras-chave em Português: Modelos misturas assimétricas; Regressão linear multivariada; Estimação por máxima verossimilhança; Algoritmo EM; Influência global e local; Skew mixtures models; Multivariate linear regression; Maximum likelihood estimation; EM algorithm; Global and local influence
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::MATEMATICA
• Link de acesso: https://repositorio.ufjf.br/jspui/handle/ufjf/6662

O objetivo deste trabalho é apresentar algumas contribuições para a melhoria do processo de estimação por máxima verossimilhança via algoritmo EM em modelos misturas assimétricas com regressão, além de realizar neles a análise de influência local e global. Essas contribuições, em geral de natureza computacional, visam à resolução de problemas comuns na modelagem estatística de maneira mais eficiente. Dentre elas está a substituição de métodos utilizados nas versões dos algoritmos GEM por outras que reduzem o problema aproximadamente a um algoritmo EM clássico nos principais exemplos das distribuições misturas de escala assimétricas de normais. Após a execução do processo de estimação, discutiremos ainda as principais técnicas existentes para o diagnóstico de pontos influentes com as adaptações necessárias aos modelos em foco. Desejamos com tal abordagem acrescentar ao tratamento dessa classe de modelos estatísticos a análise de regressão nas distribuições mais recentes na literatura. Também esperamos abrir caminho para o uso de técnicas similares em outras classes de modelos.