Please use this identifier to cite or link to this item:
https://repositorio.ufjf.br/jspui/handle/ufjf/13040Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| higordacruzneves.pdf | higordacruzneves | 723.67 kB | Adobe PDF |  View/Open |
| Type: | Trabalho de Conclusão de Curso |
| Title: | Modelos Lineares Generalizados Semiparamétricos |
| Author: | Neves, Higor da Cruz |
| First Advisor: | Ferreira, Clécio da Silva |
| Referee Member: | Ferreira, Clécio da Silva |
| Referee Member: | Zeller, Camila Borelli |
| Referee Member: | Magalhães, Tiago Maia |
| Resumo: | Nesta pesquisa, foi realizada a expansão do Modelo Linear Generalizado (MLG) para Modelo Linear Generalizado Semiparamétrico através da adição de uma curva não paramétrica na componente sistemática do MLG. Foram consideradas para o estudo as distribuições Binomial, Gamma, Inversa Gaussiana, Normal e Poisson, e suas principais ligações. Os nós da curva não paramétrica foram construídos através dos métodos de Eilers e Marks (1996) e de Green e Silverman (1994). A seleção do parâmetro de suavização foi feita por Validação Cruzada. Foram estudados os processos de estimação dos parâmetros e da curva não paramétrica através do método iterativo de Escore de Newton, bem como desenvolvidos os cálculos da função escore e matriz de informação de Fisher. Finalmente, com o auxílio do software estatístico R (R Core Team, 2021), foram elaborados os códigos de estimação e realizados estudos de simulação que avaliaram a eficiência do método de estimação dos parâmetros, além da aplicação em dados de pólen de Ambrosia de Kalamazoo em 1993. |
| Abstract: | In this research, the Generalized Linear Model (GLM) was extended to the Generalized Semiparametric Linear Model by adding a non-parametric curve to the MLG systematic component. The Binomial, Gamma, Gaussian Inverse, Normal and Poisson distributions and their main links were considered for the study. The nodes of the non-parametric curve were constructed using the methods of Eilers and Marks (1996) and Green and Silverman (1994). The selection of the smoothing parameter was made by Cross Validation. The methods for estimating the parameters and the non-parametric curve were developed using Newton's Scoring iterative method, as well as the calculations of the Fisher information matrix and the score function. Lastly, with the aid of the statistical software R (R Core Team, 2021), the estimation codes were elaborated and simulation studies were carried out to evaluate the efficiency of the parameter estimation method, in addition to the application in pollen data from Kalamazoo Ambrosia in 1993. |
| Keywords: | Modelo Linear Generalizado Semiparamétrico Generalized Semiparametric Linear Model Matriz de informação de Fisher Validação Cruzada Spline cúbico Escore de Newton Fisher information matrix Cross validation Cubic spline Newton’s Scoring |
| 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/13040 |
| Issue Date: | 17-Mar-2021 |
| Appears in Collections: | Estatística - TCC Graduação |
This item is licensed under a Creative Commons License
