Untitled - UFRJ
Untitled - UFRJ Untitled - UFRJ
Elicitação de uma Distribuição a Priori com Aplicações ClínicasFernando Antônio MoalaDMEC, UNESPNo contexto de análise estatística, elicitação é o processo de se extrair o conhecimento de um especialistasobre alguma quantidade desconhecida na forma de uma distribuição de probabilidade. Essadistribuição de probabilidade é freqüentemente usada como distribuição a priori em uma análise bayesianae então a informação elicitada do especialista pode ser usada para complementar a informação dos dadosobservados.Oakley e O’Hagan (2007) desenvolveram um procedimento bayesiano não-paramétrico para elicitaçãoda distribuição a priori considerando uma única variável de interesse. Em vez de assumir uma forma particularparamétrica para a função densidade, ela é tratada como uma função desconhecida, e a inferênciaé feita sobre esta função baseado apenas nas especificações probabilísticas fornecidas pelo especialista.O principal objetivo desse trabalho é apresentar uma implementação prática do método bayesiano deelicitação proposto por Oakley e O’Hagan (2007) para construção de uma distribuição a priori f(θ) dorisco de fratura em pacientes que sofrem de osteoporose sob um determinado tratamento. Também tem opropósito de divulgar e provocar interesse pela Elicitação, de forma que mais estatísticos possam aplicálaem muitos problemas práticos. A teoria do método de elicitação utilizado neste trabalho é tambémapresentada de forma sintética e acessível, a fim de facilitar a sua compreensão e implementação.103
Modelos Dinâmicos para Deformação EspacialFidel Ernesto Castro MoralesDME/UFRJDani GamermanDME/UFRJA modelagem da estrutura de covariância espacial não-estacionária via deformação espacial tem sidoutilizada sob a hipótese de estacionariedade temporal. Porém, em aplicações reais esta suposição éinadequada e pouco realista. Neste trabalho é generalizado o modelo de deformação Bayesiano cujaprincipal vantagem em relação aos modelos atualmente propostos é que este além de corrigir anisotropiaincorpora a estrutura temporal dos dados. Este modelo considera a estrutura temporal do processotanto na sua média como na sua estrutura de covariância espacial. Assim, a média do processo émodelada via modelos lineares dinâmicos e a estrutura de covariância espacial via deformação dinâmica.Esta abordagem assume que as deformações através do tempo, a priori são geradas por um processoGaussiano dinâmico. As distribuições a posteriori dos parâmetros foram aproximadas usando métodosMarkov chain Monte Carlo (MCMC). Foi estabelecida por meio de dados artificiais a efetividade doesquema de amostragem em recuperar os verdadeiros valores dos parâmetros.Foi ajustado um modelo de deformação espacial dinâmica para dados mensais de temperatura mínimano estado do Rio de Janeiro / Brasil. Foram utilizadas as séries temporais observadas entre janeiro de1961 a dezembro de 2000 em 15 estações monitoradoras. O modelo capturou adequadamente a estruturatemporal na média e a estrutura de covariância espacial.104
- Page 53 and 54: Análise Bayesiana da Priori Jeffer
- Page 55 and 56: Neighborhood Dependence in Bayesian
- Page 57 and 58: Aplicação do Algoritmo MCMC de Sa
- Page 59 and 60: Decisões de Investimento e Restri
- Page 61 and 62: Test for Symmetry in Contingency Ta
- Page 63 and 64: Aplicações de Inferência Bayesia
- Page 65 and 66: Uma Abordagem Bayesiana do Modelo M
- Page 67 and 68: Accounting for Latent Spatio-Tempor
- Page 69 and 70: Uma Abordagem Bayesiana para Proces
- Page 71 and 72: A Bayesian Analysis for the General
- Page 73 and 74: Comparação de um Modelo Dinâmico
- Page 75 and 76: Estimando Variações de Temperatur
- Page 77 and 78: A Bayesian Approach to Multivariate
- Page 79 and 80: Bayesian Inference for Gamma Modula
- Page 81 and 82: Computational Tools for Comparing A
- Page 83 and 84: Modelo Partição Produto com “Cl
- Page 85 and 86: BIC Criterion for Minimal Markov Mo
- Page 87 and 88: Estimadores Lineares Bayesianos em
- Page 89 and 90: Modelos de Volatilidade Estocástic
- Page 91 and 92: Processo de Difusão Multivariado c
- Page 93 and 94: Generalized Latent Factor Models fo
- Page 95 and 96: Measuring Vulnerability via Spatial
- Page 97 and 98: Medidas do Valor Preditivo de um Mo
- Page 99 and 100: Aproximações Analíticas para Pos
- Page 101 and 102: Modelo de Risco Logístico Dependen
- Page 103: A Practical Approach to Elicit Mult
- Page 107 and 108: A Semiparametric Bayesian Approach
- Page 109 and 110: Modelo Weibull Modificado de Longa
- Page 111 and 112: Abordagem Bayesiana para Modelos GA
- Page 113 and 114: Modelo Bayesiano Geral de Classe La
- Page 115 and 116: Métodos de Estimação em Modelos
- Page 117 and 118: LASSO Bayesiano no Mapeamento de QT
- Page 119 and 120: Estudo das Matrizes de Covariância
- Page 121 and 122: Sensibilidade da Inferência Bayesi
- Page 123 and 124: Análise Bayesiana para o Estudo de
- Page 125 and 126: Uma Abordagem Bayesiana para Modelo
- Page 127 and 128: Construção de Tábuas de Mortalid
- Page 129 and 130: Um Procedimento Bayesiano para a An
- Page 131 and 132: Um Novo Modelo para Dependência Es
- Page 133 and 134: Distribuição Geométrica Exponenc
- Page 135 and 136: Morbidade Pulmonar e Condições Cl
- Page 137 and 138: Standard Setting for a Rasch Poisso
- Page 139 and 140: Modelo Logístico Misto com Classes
- Page 141 and 142: Metodologia Bayesiana para Detecç
- Page 143 and 144: Modelos Espaço-Temporais para Dado
- Page 145 and 146: Comparação de Modelos para a Iden
- Page 147 and 148: Modelos Multivariados de Regressão
- Page 149 and 150: Estimação Bayesiana em Modelos de
- Page 151 and 152: Previsão de Resultados de Jogos de
- Page 153 and 154: Uma Abordagem Bayesiana para Modelo
Elicitação de uma Distribuição a Priori com Aplicações ClínicasFernando Antônio MoalaDMEC, UNESPNo contexto de análise estatística, elicitação é o processo de se extrair o conhecimento de um especialistasobre alguma quantidade desconhecida na forma de uma distribuição de probabilidade. Essadistribuição de probabilidade é freqüentemente usada como distribuição a priori em uma análise bayesianae então a informação elicitada do especialista pode ser usada para complementar a informação dos dadosobservados.Oakley e O’Hagan (2007) desenvolveram um procedimento bayesiano não-paramétrico para elicitaçãoda distribuição a priori considerando uma única variável de interesse. Em vez de assumir uma forma particularparamétrica para a função densidade, ela é tratada como uma função desconhecida, e a inferênciaé feita sobre esta função baseado apenas nas especificações probabilísticas fornecidas pelo especialista.O principal objetivo desse trabalho é apresentar uma implementação prática do método bayesiano deelicitação proposto por Oakley e O’Hagan (2007) para construção de uma distribuição a priori f(θ) dorisco de fratura em pacientes que sofrem de osteoporose sob um determinado tratamento. Também tem opropósito de divulgar e provocar interesse pela Elicitação, de forma que mais estatísticos possam aplicálaem muitos problemas práticos. A teoria do método de elicitação utilizado neste trabalho é tambémapresentada de forma sintética e acessível, a fim de facilitar a sua compreensão e implementação.103