Untitled - UFRJ
Untitled - UFRJ Untitled - UFRJ
Análise Bayesiana de Ensaios Fatoriais 2 k Usando os Princípiosdos Efeitos Esparsos, da Hierarquia e da HereditariedadeGuilherme BizESALQ, USPSilvio Sandoval ZocchiESALQ, USPRoseli Aparecida LeandroESALQ - USPNo planejamento de experimentos para o ajuste de modelos polinomiais envolvendo k fatores principaise respectivas interações, é bastante comum a utilização dos fatoriais 2 k , 3 k ou frações dos mesmos.Para as análises dos resultados desses experimentos, frequentemente se considera o princípio da hereditariedade,ou seja, uma vez constatada uma interação significativa entre fatores, os fatores que aparecemnesta interação e respectivas interações devem também estar presentes no modelo. Neste trabalho, esseprincípio é incorporado diretamente à priori, para um método de seleção de variáveis Bayesiana, seguindoas idéias propostas por Chipman, Hamada e Wu (1997), porém com uma alteração dos valores sugeridospelos autores para os hiperparâmetros. Essa alteração, proposta neste trabalho, promove uma melhoriaconsiderável na metodologia original.61
Aplicações de Inferência Bayesiana Aproximada em ModelosGaussianos LatentesWagner Hugo BonatLEG/UFPR - Laboratório de Estatística e GeoinformaçãoPaulo Justiniano Ribeiro JuniorLEG/UFPR - Laboratório de Estatística e GeoinformaçãoA familia dos modelos gaussianos latentes é adaptável a uma grande quantidade de situações complexas.Destaca-se a situação de dados espaço-temporais que é possivelmente a mais complexa que osatuais modelos estatísticos tratam. O objetivo deste trabalho foi revisar algumas possíveis estratégiasde modelagem para dados deste tipo, inclusive tratando da situação de interação espaço-temporal. A inferêncianesta classe de modelos é comumente realizada usando métodos computacionalmente intensivos,tais como, os algoritmos MCMC Markov Chain Monte Carlo. Entretando em sua implementação taismétodos não estão livres de problemas. Assim novos métodos para inferência nesta familia de modelostêm sido propostos. Este trabalho revisou a abordagem ‘INLA’ (Integrated Nested Laplace Approximations)proposta por RUE, MARTINO e CHOPIN (2009), que se mostrou eficiente para ajustar modelosaltamente estruturados em diversas situações práticas. A nova metodologia de inferência foi aplicada atrês conjunto de dados. Sempre que possível os modelos ajustados pelo INLA, foram confrontados comajustes de modelos aditivos generalizados para verificar a concordância entre as abordagens, principalmenteno que diz respeito ao modo como captam os efeitos espaciais e temporais. Os conjuntos de dadosforam selecionados de modo a cobrir os modelos mais comumente usados na literatura. O primeiro conjuntoreferente a avaliações da qualidade da água, assume para a variável resposta a distribuição Normal.O segundo conjunto referente a contagens de ovos do mosquito Aedes aegypti coletados em ovitrampasem Recife/PE, assume para a variável resposta a distribuição Binomial Negativa. O terceiro conjuntocorresponde a dados sobre a doença leprose-dos-citrus, assumindo para a variável resposta (dicotômica)a distribuição Binomial. Nos três conjuntos de dados analisados a concordância entre as abordagensINLA e GAM foi diversificada. No primeiro conjunto os resultados foram bastante parecidos. Para osegundo conjunto algumas diferenças importantes foram encontradas, covariáveis que pela abordagemGAM eram indicadas como significativas, pela abordagem INLA foram indicadas como não significativas,porém os efeitos espaciais e temporais foram estimados de forma muito parecida. O último émais desafiador exemplo, mostrou uma grande diferença entre as abordagens na forma como captam osefeitos espaciais e temporais, de forma geral a abordagem GAM tende a suavizar demais estes efeitos efornece intervalos de confiança pouco realísticos, ao passo que a abordagem INLA apresenta melhoresresultados e intervalos de credibilidade mais aceitáveis. Nos três exemplo, medidas de concordância entreas observações e os modelos foram tomadas, foram elas: erro quadrático médio, erro absoluto médio,correlação entre observados e preditos e nível de cobertura. Por estas medidas em todos os exemplosanalisados a abordagem INLA apresentou melhores resultados que a abordagem GAM.62
- 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 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: Test for Symmetry in Contingency Ta
- 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
- 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
Aplicações de Inferência Bayesiana Aproximada em ModelosGaussianos LatentesWagner Hugo BonatLEG/UFPR - Laboratório de Estatística e GeoinformaçãoPaulo Justiniano Ribeiro JuniorLEG/UFPR - Laboratório de Estatística e GeoinformaçãoA familia dos modelos gaussianos latentes é adaptável a uma grande quantidade de situações complexas.Destaca-se a situação de dados espaço-temporais que é possivelmente a mais complexa que osatuais modelos estatísticos tratam. O objetivo deste trabalho foi revisar algumas possíveis estratégiasde modelagem para dados deste tipo, inclusive tratando da situação de interação espaço-temporal. A inferêncianesta classe de modelos é comumente realizada usando métodos computacionalmente intensivos,tais como, os algoritmos MCMC Markov Chain Monte Carlo. Entretando em sua implementação taismétodos não estão livres de problemas. Assim novos métodos para inferência nesta familia de modelostêm sido propostos. Este trabalho revisou a abordagem ‘INLA’ (Integrated Nested Laplace Approximations)proposta por RUE, MARTINO e CHOPIN (2009), que se mostrou eficiente para ajustar modelosaltamente estruturados em diversas situações práticas. A nova metodologia de inferência foi aplicada atrês conjunto de dados. Sempre que possível os modelos ajustados pelo INLA, foram confrontados comajustes de modelos aditivos generalizados para verificar a concordância entre as abordagens, principalmenteno que diz respeito ao modo como captam os efeitos espaciais e temporais. Os conjuntos de dadosforam selecionados de modo a cobrir os modelos mais comumente usados na literatura. O primeiro conjuntoreferente a avaliações da qualidade da água, assume para a variável resposta a distribuição Normal.O segundo conjunto referente a contagens de ovos do mosquito Aedes aegypti coletados em ovitrampasem Recife/PE, assume para a variável resposta a distribuição Binomial Negativa. O terceiro conjuntocorresponde a dados sobre a doença leprose-dos-citrus, assumindo para a variável resposta (dicotômica)a distribuição Binomial. Nos três conjuntos de dados analisados a concordância entre as abordagensINLA e GAM foi diversificada. No primeiro conjunto os resultados foram bastante parecidos. Para osegundo conjunto algumas diferenças importantes foram encontradas, covariáveis que pela abordagemGAM eram indicadas como significativas, pela abordagem INLA foram indicadas como não significativas,porém os efeitos espaciais e temporais foram estimados de forma muito parecida. O último émais desafiador exemplo, mostrou uma grande diferença entre as abordagens na forma como captam osefeitos espaciais e temporais, de forma geral a abordagem GAM tende a suavizar demais estes efeitos efornece intervalos de confiança pouco realísticos, ao passo que a abordagem INLA apresenta melhoresresultados e intervalos de credibilidade mais aceitáveis. Nos três exemplo, medidas de concordância entreas observações e os modelos foram tomadas, foram elas: erro quadrático médio, erro absoluto médio,correlação entre observados e preditos e nível de cobertura. Por estas medidas em todos os exemplosanalisados a abordagem INLA apresentou melhores resultados que a abordagem GAM.62