Please use this identifier to cite or link to this item: https://repositorio.ufjf.br/jspui/handle/ufjf/12676
Files in This Item:
File Description SizeFormat 
amandaromanellidias.pdfamandaromanellidias642.88 kBAdobe PDFThumbnail
View/Open
Type: Trabalho de Conclusão de Curso
Title: Estimação em modelos de regressão linear com ponto de mudança contínuo sob a distribuição t-Student
Author: Dias, Amanda Romanelli
First Advisor: Zeller, Camila Borelli
Referee Member: Zeller, Camila Borelli
Referee Member: Souza, Augusto Carvalho
Referee Member: Montoril, Michel Helcias
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. A normalidade dos erros aleatórios é uma suposição rotineira em modelos linear, que pode ser não realista. Assim, relaxamos a suposição de normalidade considerando que os erros aleatórios seguem uma distribuição mistura de escala normal, especificamente 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. 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 sob a distribuição t-Student. Finalmente, exemplos numéricos considerando dados simulados e reais são apresentados para ilustrar o modelo e os resultados inferenciais desenvolvidos. Foi utilizado o programa estatístico R. Espera-se que este trabalho seja útil para despertar o interesse de estudantes, pesquisadores e profissionais pelo tema, que acreditamos ser de grande aplicabilidade.
Abstract: n this work, we present recent results in a statistical research field with a wide range of applications: linear regression models. The normality (symmetry) of random errors is an ordinary assumption in linear models, which may be unrealistic. Thus, we relax the assumption of normality and consider the case of scale mixture of normal regression,which has the normal regression as a particular case. Furthermore, this model is able to capture several non normal behaviors by applying an extra parameter, the degree of freedom, that can control the kurtosis. In addition, we consider the fact that the same linear regression model may not be valid for an entire set of data. Therefore, the model can be changed after a specific point which, in general, is unknown, and named as the change point. In this context, the estimation of the parameters is performed via EM algorithm, and the selection of models is made by using information criteria (SIC and AIC). Finally, numerical examples considering simulated and real data are presented to illustrate the model and the inferential results developed. We believe that this is work will be useful students, researchers and practitioners to be of a great applicability.
Keywords: Ponto de mudança
Observações aberrantes
Algoritmo EM
Distribuição t-Student
Modelo de regressão linear
Point of change
Aberrant observations
EM Algorithm
T-Student distribution
Linear regression model
CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA
Language: por
Country: Brasil
Publisher: Universidade Federal de Juiz de Fora (UFJF)
Institution Initials: UFJF
Department: ICE – Instituto de Ciências Exatas
Access Type: Acesso Aberto
Attribution-NonCommercial-NoDerivs 3.0 Brazil
Creative Commons License: http://creativecommons.org/licenses/by-nc-nd/3.0/br/
URI: https://repositorio.ufjf.br/jspui/handle/ufjf/12676
Issue Date: 1-Dec-2017
Appears in Collections:Estatística - TCC Graduação



This item is licensed under a Creative Commons License Creative Commons