Please use this identifier to cite or link to this item: https://repositorio.ufjf.br/jspui/handle/ufjf/18571
Files in This Item:
File Description SizeFormat 
pedrohenriquecorreadealmeida.pdfPDF/A961.76 kBAdobe PDFThumbnail
View/Open
Type: Trabalho de Conclusão de Curso
Title: Misturas finitas de especialistas de modelos de regressão para dados complexos
Author: Almeida, Pedro Henrique Corrêa de
First Advisor: Zeller, Camila Borelli
Referee Member: Ferreira, Clécio da Silva
Referee Member: Bessegato, Lupércio França
Resumo: Os modelos de regressão tradicionais partem da premissa de que todos os indivíduos apresentam a mesma relação entre as variáveis explicativa e resposta, o que, no entanto, não se aplica a populações heterogêneas. Nesse contexto, as misturas finitas de modelos de regressão têm como objetivo identificar grupos não observáveis que se comportam de maneira distinta, permitindo a abordagem da heterogeneidade. Este trabalho explora o campo das misturas finitas de regressão, com ênfase em distribuições assimétricas e/ou de caudas pesadas, o que possibilita a construção de modelos robustos para dados complexo. A inovação proposta neste estudo reside na inclusão de informações que aprimorem a classificação e auxiliem na interpretação dos grupos identificados, denominadas misturas de especialistas. Os modelos propostos foram representados hierarquicamente, juntamente com a função de verossimilhança correspondente, permitindo a aplicação do Algoritmo EM (Expectativa-Maximização) na obtenção dos estimadores de máxima verossimilhança. Estudos de simulação foram conduzidos com o intuito de avaliar a eficácia do algoritmo na recuperação dos parâmetros. Por fim, o modelo proposto foi aplicado a dois conjuntos de dados reais, com o objetivo de demonstrar sua aplicação prática e a interpretação dos resultados obtidos.
Abstract: Traditional regression models start from the premise that all individuals have the same relationship between the explanatory and response variables, but this does not apply to heterogeneous populations. In this context, finite mixtures of regression models aim to identify unobservable groups that behave differently, allowing heterogeneity to be addressed. This paper explores the field of finite regression mixtures, with an emphasis on asymmetric and/or heavy-tailed distributions, which make it possible to build robust models for complex data. The innovation proposed in this study lies in the inclusion of information that improves classification and helps interpret the groups identified, known as expert mixtures. The proposed models were represented hierarchically, along with the corresponding likelihood function, allowing the EM (Expectation-Maximization) algorithm to be applied to obtain the maximum likelihood estimators. Simulation studies were carried out to assess the effectiveness of the algorithm in recovering the parameters. Finally, the proposed model was applied to two sets of real data in order to demonstrate its practical application and the interpretation of the results obtained.
Keywords: Algoritmo EM
Caudas pesadas
Clusterização
Distribuições assimétricas
Misturas de especialistas
Modelos de regressão
Misturas finitas
EM algorithm
Heavy tails
Clustering
Asymmetric distributions
Expert mixtures
Regression models
Finite mixtures
CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA
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/18571
Issue Date: 14-Mar-2025
Appears in Collections:Estatística - TCC Graduação



This item is licensed under a Creative Commons License Creative Commons