Modelo de regressão beta não linear com erros nas variáveis

Detalhes bibliográficos
Ano de defesa: 2018
Autor(a) principal: TRINDADE, Daniele de Brito
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal de Pernambuco
UFPE
Brasil
Programa de Pos Graduacao em Estatistica
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Estatística
Regressão beta
Link de acesso: https://repositorio.ufpe.br/handle/123456789/30409
Resumo: Nesta tese generalizamos o modelo de regressão beta com erros de medidas (Carrasco, 2014) propondo um modelo com formas funcionais não lineares para os preditores. Foram avaliados três métodos de estimação denotados por máxima verossimilhança aproximada, máxima pseudo-verossimilhança aproximada e calibração da regressão. Para avaliação das metodologias de estimação realizamos um estudo de simulação de Monte Carlo sob diferentes cenários. Foi possível evidenciar que os métodos de máxima verossimilhança aproximada e máxima pseudo-verossimilhança aproximada tiveram melhor desempenho, em geral, quando comparados aos métodos de calibração da regressão e naive. Vale salientar também que os desempenhos dos estimadores associados à não lineariade e dispersão variável são afetados negativamente quando o coeficiente de confiabilidade diminui. Intervalos de confiança foram construídos com o objetivo de avaliar, através dos estudos de simulação de Monte Carlo, taxas de cobertura. Novos resíduos foram propostos para o modelo de regressão beta não linear com erros de medidas com o objetivo de verificar as suposições assumidas ao modelo e detectar pontos aberrantes. Também foram construídas medidas de predição e de qualidade de ajuste considerando os três métodos de estimação e tais medidas foram avaliadas através de estudos de simulação de Monte Carlo. Três aplicações considerando dados reais são analisadas. Utilizamos as linguagens de programação Ox (Doornik, 2011) e R como suportes computacionais.
id UFPE_1c382ccc01c2c6fe2aaaeb762f322b53
oai_identifier_str oai:repositorio.ufpe.br:123456789/30409
network_acronym_str UFPE
network_name_str Repositório Institucional da UFPE
repository_id_str
spelling Modelo de regressão beta não linear com erros nas variáveisEstatísticaRegressão betaNesta tese generalizamos o modelo de regressão beta com erros de medidas (Carrasco, 2014) propondo um modelo com formas funcionais não lineares para os preditores. Foram avaliados três métodos de estimação denotados por máxima verossimilhança aproximada, máxima pseudo-verossimilhança aproximada e calibração da regressão. Para avaliação das metodologias de estimação realizamos um estudo de simulação de Monte Carlo sob diferentes cenários. Foi possível evidenciar que os métodos de máxima verossimilhança aproximada e máxima pseudo-verossimilhança aproximada tiveram melhor desempenho, em geral, quando comparados aos métodos de calibração da regressão e naive. Vale salientar também que os desempenhos dos estimadores associados à não lineariade e dispersão variável são afetados negativamente quando o coeficiente de confiabilidade diminui. Intervalos de confiança foram construídos com o objetivo de avaliar, através dos estudos de simulação de Monte Carlo, taxas de cobertura. Novos resíduos foram propostos para o modelo de regressão beta não linear com erros de medidas com o objetivo de verificar as suposições assumidas ao modelo e detectar pontos aberrantes. Também foram construídas medidas de predição e de qualidade de ajuste considerando os três métodos de estimação e tais medidas foram avaliadas através de estudos de simulação de Monte Carlo. Três aplicações considerando dados reais são analisadas. Utilizamos as linguagens de programação Ox (Doornik, 2011) e R como suportes computacionais.CAPESIn this thesis we generalize the beta regression model with measurement errors (Carrasco, 2014) proposing a model with nonlinear functional forms. Three estimation methods denoted by approximate maximum likelihood, approximate maximum pseudo likelihood, and regression calibration were evaluated. To evaluate the estimation methodologies, we performed a Monte Carlo simulation study on different scenarios. It was possible to show that the approximate maximum likelihood and approximate maximum pseudo-likelihood methods performed better, in general, when compared to the calibration regression and the naive methods. Besides that the performance of estimators associated with nonlinearity and variable dispersion are negatively affected when degree of reliability decreases. Confidence intervals were constructed through the Monte Carlo simulation studies with the objective of evaluating the coverage rates. New residuals were proposed for the nonlinear beta regression model with measurement errors in order to verify the assumptions over the model and to detect aberrant points. Prediction and quality of fit measures were also constructed considering the three estimation methods. Also, the methods were evaluated through Monte Carlo simulation studies. Three applications considering real data are analyzed. We use the programming languages Ox (Doornik, 2011) and R as computational supports.Universidade Federal de PernambucoUFPEBrasilPrograma de Pos Graduacao em EstatisticaOSPINA, Patricia Leone Espinheirahttp://lattes.cnpq.br/2762049608974570http://lattes.cnpq.br/5451260154742484TRINDADE, Daniele de Brito2019-04-29T22:29:45Z2019-04-29T22:29:45Z2018-02-21info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfhttps://repositorio.ufpe.br/handle/123456789/30409porAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPE2019-10-25T12:56:47Zoai:repositorio.ufpe.br:123456789/30409Repositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212019-10-25T12:56:47Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false
dc.title.none.fl_str_mv Modelo de regressão beta não linear com erros nas variáveis
title Modelo de regressão beta não linear com erros nas variáveis
spellingShingle Modelo de regressão beta não linear com erros nas variáveis
TRINDADE, Daniele de Brito
Estatística
Regressão beta
title_short Modelo de regressão beta não linear com erros nas variáveis
title_full Modelo de regressão beta não linear com erros nas variáveis
title_fullStr Modelo de regressão beta não linear com erros nas variáveis
title_full_unstemmed Modelo de regressão beta não linear com erros nas variáveis
title_sort Modelo de regressão beta não linear com erros nas variáveis
author TRINDADE, Daniele de Brito
author_facet TRINDADE, Daniele de Brito
author_role author
dc.contributor.none.fl_str_mv OSPINA, Patricia Leone Espinheira
http://lattes.cnpq.br/2762049608974570
http://lattes.cnpq.br/5451260154742484
dc.contributor.author.fl_str_mv TRINDADE, Daniele de Brito
dc.subject.por.fl_str_mv Estatística
Regressão beta
topic Estatística
Regressão beta
description Nesta tese generalizamos o modelo de regressão beta com erros de medidas (Carrasco, 2014) propondo um modelo com formas funcionais não lineares para os preditores. Foram avaliados três métodos de estimação denotados por máxima verossimilhança aproximada, máxima pseudo-verossimilhança aproximada e calibração da regressão. Para avaliação das metodologias de estimação realizamos um estudo de simulação de Monte Carlo sob diferentes cenários. Foi possível evidenciar que os métodos de máxima verossimilhança aproximada e máxima pseudo-verossimilhança aproximada tiveram melhor desempenho, em geral, quando comparados aos métodos de calibração da regressão e naive. Vale salientar também que os desempenhos dos estimadores associados à não lineariade e dispersão variável são afetados negativamente quando o coeficiente de confiabilidade diminui. Intervalos de confiança foram construídos com o objetivo de avaliar, através dos estudos de simulação de Monte Carlo, taxas de cobertura. Novos resíduos foram propostos para o modelo de regressão beta não linear com erros de medidas com o objetivo de verificar as suposições assumidas ao modelo e detectar pontos aberrantes. Também foram construídas medidas de predição e de qualidade de ajuste considerando os três métodos de estimação e tais medidas foram avaliadas através de estudos de simulação de Monte Carlo. Três aplicações considerando dados reais são analisadas. Utilizamos as linguagens de programação Ox (Doornik, 2011) e R como suportes computacionais.
publishDate 2018
dc.date.none.fl_str_mv 2018-02-21
2019-04-29T22:29:45Z
2019-04-29T22:29:45Z
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 https://repositorio.ufpe.br/handle/123456789/30409
url https://repositorio.ufpe.br/handle/123456789/30409
dc.language.iso.fl_str_mv por
language por
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.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal de Pernambuco
UFPE
Brasil
Programa de Pos Graduacao em Estatistica
publisher.none.fl_str_mv Universidade Federal de Pernambuco
UFPE
Brasil
Programa de Pos Graduacao em Estatistica
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPE
instname:Universidade Federal de Pernambuco (UFPE)
instacron:UFPE
instname_str Universidade Federal de Pernambuco (UFPE)
instacron_str UFPE
institution UFPE
reponame_str Repositório Institucional da UFPE
collection Repositório Institucional da UFPE
repository.name.fl_str_mv Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)
repository.mail.fl_str_mv attena@ufpe.br
_version_ 1856042047925911552

Registros relacionados