Abordagem bayesiana para modelos de regressão logística com erros e classificações repetidas

Detalhes bibliográficos
Ano de defesa: 2010
Autor(a) principal: Magda Carvalho Pires
Orientador(a): Roberto da Costa Quinino
Banca de defesa: Linda Lee Ho, Luiz Henrique Duczmal, Enrico Antonio Colosimo, Cibele Queiroz da Silva
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:
regressão logística
classificações repetidas
abordagem bayesiana
erros de classificação
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

Registros relacionados