Abordagem bayesiana para modelos de regressão logística com erros e classificações repetidas
Ano de defesa: | 2010 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | , , , |
Tipo de documento: | Tese |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
Universidade Federal de Minas Gerais
|
Programa de Pós-Graduação: |
Não Informado pela instituição
|
Departamento: |
Não Informado pela instituição
|
País: |
Não Informado pela instituição
|
Palavras-chave em Português: | |
Link de acesso: | http://hdl.handle.net/1843/ICED-86XQ7H |
Resumo: | Sob o enfoque bayesiano, apresentamos uma abordagem que incorpora classificações repetidas e independentes ao modelo de regressão logística em que a variável resposta está sujeita a erros de classificação. O primeiro modelo proposto (MTS) considera onúmero total de sucessos obtidos nas classificações, enquanto o segundo modelo (MCF) considera a classificação final do elemento após essas classificações. Os modelos propostos utilizam distribuições a priori de médias condicionadas e o método ARMS em Gibbs Sampler para realizar o processo de inferência. Estudos de simulação demonstraram que MCF apresenta melhor desempenho quando comparado ao MTS e ao modelo em que é realizada apenas uma classificação do elemento amostral. |
id |
UFMG_d49c003fe04e9c7bcc94580123c508b1 |
---|---|
oai_identifier_str |
oai:repositorio.ufmg.br:1843/ICED-86XQ7H |
network_acronym_str |
UFMG |
network_name_str |
Repositório Institucional da UFMG |
repository_id_str |
|
spelling |
Roberto da Costa QuininoLinda Lee HoLuiz Henrique DuczmalEnrico Antonio ColosimoCibele Queiroz da SilvaMagda Carvalho Pires2019-08-11T11:01:54Z2019-08-11T11:01:54Z2010-05-11http://hdl.handle.net/1843/ICED-86XQ7HSob o enfoque bayesiano, apresentamos uma abordagem que incorpora classificações repetidas e independentes ao modelo de regressão logística em que a variável resposta está sujeita a erros de classificação. O primeiro modelo proposto (MTS) considera onúmero total de sucessos obtidos nas classificações, enquanto o segundo modelo (MCF) considera a classificação final do elemento após essas classificações. Os modelos propostos utilizam distribuições a priori de médias condicionadas e o método ARMS em Gibbs Sampler para realizar o processo de inferência. Estudos de simulação demonstraram que MCF apresenta melhor desempenho quando comparado ao MTS e ao modelo em que é realizada apenas uma classificação do elemento amostral.Universidade Federal de Minas GeraisUFMGEstatísticaAnálise de erros (Matemática)Teoria bayesiana de decisão estatisticaregressão logísticaclassificações repetidasabordagem bayesianaerros de classificaçãoAbordagem bayesiana para modelos de regressão logística com erros e classificações repetidasinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALtese_magda_carvalho_pires.pdfapplication/pdf545118https://repositorio.ufmg.br/bitstream/1843/ICED-86XQ7H/1/tese_magda_carvalho_pires.pdf70f95d704284b298f75039c422ba70bcMD51TEXTtese_magda_carvalho_pires.pdf.txttese_magda_carvalho_pires.pdf.txtExtracted texttext/plain118504https://repositorio.ufmg.br/bitstream/1843/ICED-86XQ7H/2/tese_magda_carvalho_pires.pdf.txt33c3d129ebdd4bdf2856df64f9db77e1MD521843/ICED-86XQ7H2019-11-14 03:31:34.779oai:repositorio.ufmg.br:1843/ICED-86XQ7HRepositório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2019-11-14T06:31:34Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false |
dc.title.pt_BR.fl_str_mv |
Abordagem bayesiana para modelos de regressão logística com erros e classificações repetidas |
title |
Abordagem bayesiana para modelos de regressão logística com erros e classificações repetidas |
spellingShingle |
Abordagem bayesiana para modelos de regressão logística com erros e classificações repetidas Magda Carvalho Pires regressão logística classificações repetidas abordagem bayesiana erros de classificação Estatística Análise de erros (Matemática) Teoria bayesiana de decisão estatistica |
title_short |
Abordagem bayesiana para modelos de regressão logística com erros e classificações repetidas |
title_full |
Abordagem bayesiana para modelos de regressão logística com erros e classificações repetidas |
title_fullStr |
Abordagem bayesiana para modelos de regressão logística com erros e classificações repetidas |
title_full_unstemmed |
Abordagem bayesiana para modelos de regressão logística com erros e classificações repetidas |
title_sort |
Abordagem bayesiana para modelos de regressão logística com erros e classificações repetidas |
author |
Magda Carvalho Pires |
author_facet |
Magda Carvalho Pires |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Roberto da Costa Quinino |
dc.contributor.referee1.fl_str_mv |
Linda Lee Ho |
dc.contributor.referee2.fl_str_mv |
Luiz Henrique Duczmal |
dc.contributor.referee3.fl_str_mv |
Enrico Antonio Colosimo |
dc.contributor.referee4.fl_str_mv |
Cibele Queiroz da Silva |
dc.contributor.author.fl_str_mv |
Magda Carvalho Pires |
contributor_str_mv |
Roberto da Costa Quinino Linda Lee Ho Luiz Henrique Duczmal Enrico Antonio Colosimo Cibele Queiroz da Silva |
dc.subject.por.fl_str_mv |
regressão logística classificações repetidas abordagem bayesiana erros de classificação |
topic |
regressão logística classificações repetidas abordagem bayesiana erros de classificação Estatística Análise de erros (Matemática) Teoria bayesiana de decisão estatistica |
dc.subject.other.pt_BR.fl_str_mv |
Estatística Análise de erros (Matemática) Teoria bayesiana de decisão estatistica |
description |
Sob o enfoque bayesiano, apresentamos uma abordagem que incorpora classificações repetidas e independentes ao modelo de regressão logística em que a variável resposta está sujeita a erros de classificação. O primeiro modelo proposto (MTS) considera onúmero total de sucessos obtidos nas classificações, enquanto o segundo modelo (MCF) considera a classificação final do elemento após essas classificações. Os modelos propostos utilizam distribuições a priori de médias condicionadas e o método ARMS em Gibbs Sampler para realizar o processo de inferência. Estudos de simulação demonstraram que MCF apresenta melhor desempenho quando comparado ao MTS e ao modelo em que é realizada apenas uma classificação do elemento amostral. |
publishDate |
2010 |
dc.date.issued.fl_str_mv |
2010-05-11 |
dc.date.accessioned.fl_str_mv |
2019-08-11T11:01:54Z |
dc.date.available.fl_str_mv |
2019-08-11T11:01:54Z |
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.uri.fl_str_mv |
http://hdl.handle.net/1843/ICED-86XQ7H |
url |
http://hdl.handle.net/1843/ICED-86XQ7H |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.publisher.initials.fl_str_mv |
UFMG |
publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFMG instname:Universidade Federal de Minas Gerais (UFMG) instacron:UFMG |
instname_str |
Universidade Federal de Minas Gerais (UFMG) |
instacron_str |
UFMG |
institution |
UFMG |
reponame_str |
Repositório Institucional da UFMG |
collection |
Repositório Institucional da UFMG |
bitstream.url.fl_str_mv |
https://repositorio.ufmg.br/bitstream/1843/ICED-86XQ7H/1/tese_magda_carvalho_pires.pdf https://repositorio.ufmg.br/bitstream/1843/ICED-86XQ7H/2/tese_magda_carvalho_pires.pdf.txt |
bitstream.checksum.fl_str_mv |
70f95d704284b298f75039c422ba70bc 33c3d129ebdd4bdf2856df64f9db77e1 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG) |
repository.mail.fl_str_mv |
|
_version_ |
1801677330987352064 |