Untitled - UFRJ
Untitled - UFRJ Untitled - UFRJ
Comparações Múltiplas Bayesianas em Modelos NormaisHomocedásticos e HeterocedásticosPaulo César de Resende AndradeInstituto de Ciência e Tecnologia - Universidade Federal dos Vales doJequitinhonha e MucuriDaniel Furtado FerreiraDepartamento de Ciências Exatas - Universidade Federal de LavrasProcedimentos de comparações múltiplas são utilizados para comparar médias de níveis de um fator,porém, os testes mais populares apresentam problemas de ambiguidade dos resultados e de controle doerro tipo I, além de terem seus desempenhos influenciados negativamente no caso de heterogeneidadede variâncias e não-balanceamento. Este trabalho teve por objetivo propor alternativas bayesianas paracomparações múltiplas considerando os casos de homogeneidade e heterogeneidade de variâncias emmodelos com distribuição normal, balanceados ou não, ilustradas em exemplos simulados. A metodologiautilizada neste trabalho foi feita a partir da distribuição a posteriori t multivariada. Foram geradas kcadeias de médias, utilizando o método de Monte Carlo. Foi obtida a amplitude padronizada sob H 0 ,obtida na distribuição a posteriori das médias, contemplando a possibilidade de se analisar tanto o caso devariâncias heterogêneas como o caso de variâncias homogêneas. Os procedimentos propostos apresentama desvantagem de ainda não estarem implementados. Em compensação apresentam vantagens em relaçãoaos testes convencionais, no sentido de não haver necessidade de balanceamento dos dados, que é muitosignificativo do ponto de vista prático, e de poderem ser utilizados em situações homo e heterocedásticas.Os procedimentos de comparações múltiplas bayesianos foram propostos com sucesso para situações denormalidade, com ou sem homogeneidade de variâncias e com ou sem balanceamento.53
Neighborhood Dependence in Bayesian Spatial ModelsRenato M. AssunçãoDepartamento de Estatística, UFMGElias T. KrainskiDepartamento de Estatística, UFPrThe conditional autoregressive model (CAR) and the intrinsic autoregressive model (ICAR) are widelyused as prior distribution for random spatial effects in Bayesian models. Several authors have pointed outimpractical or counterintuitive consequences on the prior covariance matrix or the posterior covariancematrix of the spatial random effects. This paper clarifies many of these puzzling results. We show thatthe neighborhood graph structure, synthesized in eigenvalues and eigenvectors structure of a matrixassociated with the adjacency matrix, determines most of the apparently anomalous behavior. Weillustrate our conclusions with regular and irregular lattices including lines, grids and lattices based onreal maps.54
- Page 4 and 5: 10 o Encontro Brasileiro de Estatí
- Page 7 and 8: 10 o Encontro Brasileiro de Estatí
- Page 9 and 10: Particle LearningCarlos M. Carvalho
- Page 12 and 13: Uso de Métodos Bayesianos em Anál
- Page 15 and 16: Bayesian Inference for Aggregated F
- Page 17 and 18: Product Partition Models with Corre
- Page 19 and 20: “Objective Bayes” - A Dangerous
- Page 21 and 22: Bayesian Non-Parametric Inference f
- Page 23 and 24: Bayesian Computing with INLAHåvard
- Page 25 and 26: 10 o Encontro Brasileiro de Estatí
- Page 27 and 28: Bayesian Inference for a Skew-Norma
- Page 29 and 30: Bayesian Coalescent Modeling of the
- Page 31 and 32: Partitioning Diversity Measure for
- Page 33 and 34: Exact Simulation and Bayesian Infer
- Page 35 and 36: Spatially Varying Autoregressive Pr
- Page 37 and 38: Bayesian Beta Dynamic Model and App
- Page 39 and 40: 10 o Encontro Brasileiro de Estatí
- Page 41 and 42: 10 o Encontro Brasileiro de Estatí
- Page 43 and 44: 10 o Encontro Brasileiro de Estatí
- Page 45 and 46: 10 o Encontro Brasileiro de Estatí
- Page 47 and 48: 10 o Encontro Brasileiro de Estatí
- Page 49 and 50: 10 o Encontro Brasileiro de Estatí
- Page 51 and 52: Generalized Exponential Distributio
- Page 53: Análise Bayesiana da Priori Jeffer
- 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 and 104: A Practical Approach to Elicit Mult
Neighborhood Dependence in Bayesian Spatial ModelsRenato M. AssunçãoDepartamento de Estatística, UFMGElias T. KrainskiDepartamento de Estatística, UFPrThe conditional autoregressive model (CAR) and the intrinsic autoregressive model (ICAR) are widelyused as prior distribution for random spatial effects in Bayesian models. Several authors have pointed outimpractical or counterintuitive consequences on the prior covariance matrix or the posterior covariancematrix of the spatial random effects. This paper clarifies many of these puzzling results. We show thatthe neighborhood graph structure, synthesized in eigenvalues and eigenvectors structure of a matrixassociated with the adjacency matrix, determines most of the apparently anomalous behavior. Weillustrate our conclusions with regular and irregular lattices including lines, grids and lattices based onreal maps.54