Untitled - UFRJ
Untitled - UFRJ Untitled - UFRJ
Distribuições Exponenciais Bivariadas: Uma AproximaçãoBayesiana Usando o Software WinBUGSCarlos Aparecido dos SantosDepartamento de EstatísticaUniversidade Estadual de MaringáJorge Alberto AchcarDepartamento de Medicina SocialFMRP, Universidade de São PauloNeste artigo, apresentamos uma análise Bayesiana para algumas das mais populares distribuiçõesexponenciais bivariadas introduzidas na literatura: a de Block & Basu, a de Farlie-Gumbel-Morgenstern ea de Freund; usando métodos de Monte Carlo em Cadeias de Markov (MCMC). Uma grande simplificaçãocomputacional para simular amostras da distribuição a posteriori conjunta de interesse é obtida usando osoftware WinBUGS. Também introduzimos uma ilustração numérica considerando os diferentes modelos.Palavras-chave: distribuições de sobrevivência bivariadas, software WinBUGS, observações correlacionadas,“fragilidades”, análise Bayesiana.137
Modelo Logístico Misto com Classes de Distribuições maisFlexíveis para os Efeitos AleatóriosCristiano de Carvalho SantosDepartamento de Estatística - UFMGRosângela Helena LoschiDepartamento de Estatística - UFMGDados binários frequentemente ocorrem em diversas áreas da ciência, como por exemplo, nas pesquisasmédicas, sociais, econômicas e na agricultura. O Modelo de Regressão Logística é um método muito útile efetivo que leva em consideração uma relação não linear entre uma resposta binária e um conjuntode variáveis explicativas. Esse modelo pode ser estendido, através da introdução de um termo de efeitoaleatório, com o objetivo de estudar a relação entre uma resposta binária e um conjunto de variáveisexplicativas quando estes resultados binários não são independentes, ou para acomodar uma eventualvariabilidade extra, ou ainda para representar o efeito das variáveis explicativas que não foram medidas.Assume-se, em geral, que os efeitos aleatórios são normalmente distribuídos e independentes. Nestetrabalho pretende-se considerar classes mais flexíveis de distribuições para os efeitos aleatórios, entre estasconsideramos a distribuição normal assimétrica e a distribuição t de Student. Utilizamos a abordagemBayesiana para o ajuste do modelo de Regressão Logística com efeito aleatório e através de métodosde simulação Monte Carlo via Cadeia de Markov (MCMC) encontramos amostras das distribuições aposteriori para os parâmetros do modelo e para as quantidade de interesse que são obtidas em funçãodestes parâmetros, como por exemplo, a Razão de Chances entre dois indivíduos. Com estas amostrasencontramos estimativas a posteriori para os parâmetros de interesse e demais quantidades de interesse.Para dados reais, comparamos os modelos ajustados através de medidas que avaliam a capacidade depredição do modelo, como por exemplo, a taxa de classificação correta. Através de um estudo desimulação avaliamos as consequências da má-especificação da distribuição de probabilidades para o efeitoaleatório.138
- 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 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: Standard Setting for a Rasch Poisso
- 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
Distribuições Exponenciais Bivariadas: Uma AproximaçãoBayesiana Usando o Software WinBUGSCarlos Aparecido dos SantosDepartamento de EstatísticaUniversidade Estadual de MaringáJorge Alberto AchcarDepartamento de Medicina SocialFMRP, Universidade de São PauloNeste artigo, apresentamos uma análise Bayesiana para algumas das mais populares distribuiçõesexponenciais bivariadas introduzidas na literatura: a de Block & Basu, a de Farlie-Gumbel-Morgenstern ea de Freund; usando métodos de Monte Carlo em Cadeias de Markov (MCMC). Uma grande simplificaçãocomputacional para simular amostras da distribuição a posteriori conjunta de interesse é obtida usando osoftware WinBUGS. Também introduzimos uma ilustração numérica considerando os diferentes modelos.Palavras-chave: distribuições de sobrevivência bivariadas, software WinBUGS, observações correlacionadas,“fragilidades”, análise Bayesiana.137