Use este identificador para citar ou linkar para este item: https://repositorio.ufjf.br/jspui/handle/ufjf/14081
Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
nicolasoliveiradasilva.pdfnicolasoliveiradasilva862.82 kBAdobe PDFThumbnail
Visualizar/Abrir
Tipo: Trabalho de Conclusão de Curso
Título: Modelos de regressão com ponto de mudança contínuo para dados censurados sob distribuições simétricas
Autor(es): Silva, Nícolas de Oliveira
Primeiro Orientador: Zeller, Camila Borelli
Membro da banca: Bessegato, Lupercio França
Membro da banca: Souza, Augusto Carvalho
Resumo: Neste trabalho, apresentamos resultados recentes em uma área de pesquisa da Estatística com uma possibilidade enorme de aplicações, que são os modelos de regressão linear para dados censurados. A normalidade dos erros aleatórios é uma suposição rotineira em modelos lineares, que pode ser não realista. Assim, relaxamos a suposição de normalidade considerando que os erros aleatórios seguem uma distribuição mistura de escala normal, por exemplo, a distribuição t-Student. Esta distribuição inclui a distribuição normal como caso especial e fornece flexibilidade em capturar uma ampla variedade de comportamentos não normais, por simplesmente adicionar um parâmetro, denominado grau de liberdade, que controla a curtose. Além disso, consideramos o fato de que o mesmo modelo de regressão linear pode não ser válido para todo um conjunto de dados censurados. Isto é, o modelo pode se alterar após um ponto específico que, em geral, é desconhecido, e denominado ponto de mudança. Neste contexto, a estimação dos parâmetros do modelo será via algoritmo EM, e a seleção de modelos será realizada através dos critérios de informação (SIC e AIC). Dessa forma, o principal objetivo deste trabalho é estudar alguns aspectos de estimação em modelos de regressão linear com ponto de mudança para dados censurados sob distribuições simétricas. Finalmente, exemplos numéricos considerando dados simulados e reais são apresentados para ilustrar o modelo e os resultados inferenciais desenvolvidos.
Abstract: In this work, we present recent results in a research area of ​​Statistics with an enormous possibility of applications, which are linear regression models for censored data. The normality of random errors is a routine assumption in linear models, which may be unrealistic. Thus, we relax the normality assumption by considering that random errors follow a normal scale mixed distribution, for example, the t-Student distribution. This distribution includes the normal distribution as a special case and provides flexibility in capturing a wide variety of non-normal behavior by simply adding a parameter, called the degree of freedom, that controls kurtosis. Furthermore, we consider the fact that the same linear regression model may not be valid for an entire set of censored data. That is, the model can change after a specific point that, in general, is unknown, and called the turning point. In this context, the estimation of the model parameters will be via the EM algorithm, and the model selection will be carried out through the information criteria (SIC and AIC). Thus, the main objective of this work is to study some aspects of estimation in linear regression models with change point for censored data under symmetrical distributions. Finally, numerical examples considering simulated and real data are presented to illustrate the model and the inferential results developed.
Palavras-chave: Distribuições simétricas
Modelo de regressão linear
Ponto de mudança
Algoritmo EM
Dados censurados
CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA
Idioma: por
País: Brasil
Editor: Universidade Federal de Juiz de Fora (UFJF)
Sigla da Instituição: UFJF
Departamento: ICE – Instituto de Ciências Exatas
Tipo de Acesso: Acesso Aberto
Attribution-NonCommercial-NoDerivs 3.0 Brazil
Licenças Creative Commons: http://creativecommons.org/licenses/by-nc-nd/3.0/br/
URI: https://repositorio.ufjf.br/jspui/handle/ufjf/14081
Data do documento: 17-Fev-2022
Aparece nas coleções:Estatística - TCC Graduação



Este item está licenciado sob uma Licença Creative Commons Creative Commons