Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/336214
Type: TESE DIGITAL
Degree Level: Doutorado
Title: Modelos de regressão Birnbaum-Saunders multivariada generalizada
Title Alternative: Generalized multivariate Birnbaum-Saunders regression model
Author: Romeiro, Renata Guimarães, 1987-
Advisor: Vilca Labra, Filidor Edilfonso, 1964-
Abstract: Resumo: Neste trabalho, vamos propor uma extensão multivariada da distribuição Birnbaum-Saunders (BS) proposta por Kundu et al. (2010), baseada na distribuição mistura de escala normal (SMN), utilizada para modelar dados simétricos. A distribuição resultante será denotada por distribuição mistura de escala Birnbaum-Saunders multivariada (SBS). Também vamos considerar outra abordagem importante e de especial atenção na literatura que são os modelos de regressão associados à distribuição BS e um estudo de análise de diagnóstico. Assim sendo, considerando a transformação logarítmica da variável resposta com distribuição SBS, desenvolvemos o modelo de regressão senh-SMN, baseado nos trabalhos de Kundu (2015) e Vilca et al. (2014). Esse modelo, pode ser visto como uma extensão robusta multivariada, baseada nas distribuições SMN, do modelo proposto por Rieck e Nedelman (1991). Devido à complexidade da verossimilhança do modelo, e da maximização direta para estimação dos parâmetros, exploramos uma representação hierárquica e propomos a estimação de máxima verossimilhança via algoritmo EM. Desenvolvemos então, duas análises de diagnóstico para o modelo de regressão senh-SMN, considerando a exclusão de casos (Cook 1977) de uma ou mais observações, e um método mais geral proposto por Cook (1986) que consiste em avaliar a infuência de observações frente a pequenas pertubações no modelo. Por m, para avaliar a habilidade dos métodos propostos, realizamos estudos de simulação e análise de dados reais

Abstract: In this work, we propose a multivariate extension of the Birnbaum-Saunders (BS) distribution proposed by Kundu et al. (2010), based on scale-mixture of normal (SMN) distributions, used to model symmetric data. The resulting distribution will be called multivariate scale-mixture BS distribution (SBS). We will also consider other important approaches that have received consider- able attention in the literature, such as the regression models associated with the BS distribution and a study of diagnostic analysis Thus, considering the logarithmic transformation of the re- sponse variable with SBS distribution, we developed the sinh-SMN regression model, based on the works of Kundu (2015) and Vilca et al. (2014). This regression model can be seen as a robust multivariate extension, which is based on SMN distribution, of the regression model proposed by Rieck and Nedelman (1991). Due to the complexity of the likelihood of the model, and the direct maximization for parameter estimation, we explore a hierarchical representation and propose the estimation of maximum likelihood via an EM algorithm. We then developed two diagnostic anal- ysis approaches for the sinh-SMN regression model, considering the case exclusion (Cook 1977) of one or more observations, and a more general method proposed by Cook (1986). Finally, to evaluate the ability of the proposed methods, we performed simulation studies and analysis of real data
Subject: Birnbaum-Saunders, Distribuição de
Misturas de escala (Estatística)
Algoritmos de esperança-maximização
Modelos de regressão (Estatística)
Influência local (Estatística)
Language: Português
Editor: [s.n.]
Citation: ROMEIRO, Renata Guimarães. Modelos de regressão Birnbaum-Saunders multivariada generalizada. 2018. 1 recurso online (168 p.). Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Matemática Estatística e Computação Científica, Campinas, SP. Disponível em: http://www.repositorio.unicamp.br/handle/REPOSIP/336214. Acesso em: 6 mar. 2020.
Date Issue: 2018
Appears in Collections:IMECC - Tese e Dissertação

Files in This Item:
File SizeFormat 
Romeiro_RenataGuimaraes_D.pdf15.92 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.