Untitled - UFRJ
Untitled - UFRJ Untitled - UFRJ
Inferential Implications of Over-Parameterization: A CaseStudy in Incomplete Categorical DataFrederico Zanqueta PoletoUniversidade de São PauloCarlos Daniel PaulinoIST-Universidade Técnica de Lisboa and CEAUL-FCULGeert MolenberghsI-BioStat, Universiteit Hasselt and Katholieke Universiteit LeuvenJulio da Motta SingerUniversidade de São PauloThe use of non-identifiable models has been spreading across many branches of statistics. In thiswork, we scrutinize Bayesian and classical analyses in the incomplete categorical response setting. Weshow that the subjective parts of each approach can influence results in non-trivial ways. Specifically, weillustrate that prior distributions commonly regarded as slightly or non-informative may actually be tooinformative for non-identifiable parameters even when they appear in the likelihood. We also show thatthe choice of more parsimonious over-parameterized models, usually adopted in classical analyses merelyfor computational simplicity, may affect inferences in unforeseen ways. These effects remain for largesample sizes (e.g., from 4,000 to 4,000,000), suggesting that the prior distribution and the model shouldbe more carefully examined than usual for these specialized models. When contrasting Bayesian andclassical approaches we note that the posterior inferences dependence on the prior does not disappearasymptotically and that the respective credible and uncertainty intervals are close only for extremelydiffuse priors and very large sample sizes.121
Análise Bayesiana para o Estudo de Dados de Fadiga deMadeiraSilvia Maria PradoUfmt-Departamento de EstatísticaMariano Martinez EspinosaUniversidade Federal de Mato GrossoLia Hanna Martins MoritaUniversidade Federal de Mato GrossoCarlito Calil JuniorUniversidade de São PauloUm problema industrial são as falhas do material que podem ocorrer por diversas razões; uma delas éa fadiga do material. Do número total de falhas, aquelas provocadas por fadiga variam de 50 a 90, sendona maioria das vezes falhas que ocorrem de forma inesperada, logo bastante perigosas. O modelo Log-Linear da distribuição de Birnbaum-Saunders para variáveis independentes é utilizado para o estudo defatiga de materiais. As variáveis foram codificadas utilizando um planejamento fatorial, neste caso elaspodem ser ortogonalizadas possibilitando estimativas mais precisas. Este modelo leva em consideraçãocaracterísticas básicas do processo de fatiga dos materiais, em particular a madeira Eucalyptus grandis.Foi realizada uma analise Bayesiana, utilizando uma distribuição a priori não informativa Beta para oparâmetro , e distribuições a priori não informativas gaussiana para os parâmetros . A escolha da prioriBeta foi devido ao fato do parâmetro na pratica variar entre 0 e 1, valores abaixo ou acima deste intervalo,não condizem com a realidade. Os resultados esperados serão comparados com a teoria Clássica. Osdados foram obtidos no Laboratório de Madeiras e de Estruturas de Madeira (LaMEM) − EESC − USP.122
- 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 and 104: A Practical Approach to Elicit Mult
- Page 105 and 106: Modelos Dinâmicos para Deformaçã
- 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: Sensibilidade da Inferência Bayesi
- 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
- Page 155 and 156: Análise Bayesiana do Modelo Log-Bi
- Page 157 and 158: Desempate TécnicoFilipe Jaeger Zab
- Page 159 and 160: 10 o Encontro Brasileiro de Estatí
- Page 161 and 162: 10 o Encontro Brasileiro de Estatí
- Page 163: 10 o Encontro Brasileiro de Estatí
Inferential Implications of Over-Parameterization: A CaseStudy in Incomplete Categorical DataFrederico Zanqueta PoletoUniversidade de São PauloCarlos Daniel PaulinoIST-Universidade Técnica de Lisboa and CEAUL-FCULGeert MolenberghsI-BioStat, Universiteit Hasselt and Katholieke Universiteit LeuvenJulio da Motta SingerUniversidade de São PauloThe use of non-identifiable models has been spreading across many branches of statistics. In thiswork, we scrutinize Bayesian and classical analyses in the incomplete categorical response setting. Weshow that the subjective parts of each approach can influence results in non-trivial ways. Specifically, weillustrate that prior distributions commonly regarded as slightly or non-informative may actually be tooinformative for non-identifiable parameters even when they appear in the likelihood. We also show thatthe choice of more parsimonious over-parameterized models, usually adopted in classical analyses merelyfor computational simplicity, may affect inferences in unforeseen ways. These effects remain for largesample sizes (e.g., from 4,000 to 4,000,000), suggesting that the prior distribution and the model shouldbe more carefully examined than usual for these specialized models. When contrasting Bayesian andclassical approaches we note that the posterior inferences dependence on the prior does not disappearasymptotically and that the respective credible and uncertainty intervals are close only for extremelydiffuse priors and very large sample sizes.121