Untitled - UFRJ
Untitled - UFRJ Untitled - UFRJ
Robust Linear Mixed Models with Heterogeneity in theRandom-Effects PopulationCelso Rômulo Barbosa CabralDepartamento de Estatística, Universidade Federal do Amazonas, BrazilVíctor Hugo LachosDepartamento de Estatística, Universidade Estatual de Campinas, BrazilMaria Regina MadrugaFaculdade de Estatística, Universidade Federal do Pará, BrazilWe present a new class of models to fit longitudinal data, obtained with a suitable modification ofthe classical linear mixed-effects model, by supposing that, for each sample unit, the joint distributionof the random effect and the random error is a finite mixture of scale mixtures of multivariate skewnormaldistributions, allowing us to model the data in a more flexible way, taking into account skewness,multimodality and discrepant observations at the same time. The scale mixtures of skew-normal form anattractive class of asymmetric heavy-tailed distributions that includes the skew-normal, skew-Student-t,skew-slash and the skew-contaminated normal distributions as special cases, being a flexible alternativeto the use of the corresponding symmetric distributions in this type of models. A simple MCMC Gibbstypealgorithm for posterior Bayesian inference is employed. In order to illustrate the usefulness of theproposed methodology, one artificial and one real data set – from the Framingham cholesterol study –are analyzed.Keywords: Bayesian estimation; Framingham cholesterol study; finite mixtures; linear mixed model;MCMC; skew-normal distribution.Acknowledgements: The authors acknowledge the partial financial support from FAPESP, CNPqand CAPES.63
Uma Abordagem Bayesiana do Modelo Mistura Padrão comFragilidadeVinicius Fernando CalsavaraDES-Universidade Federal de São CarlosVera Lúcia Damasceno TomazellaDES-Universidade Federal de São CarlosJosé Carlos FogoDES-Universidade Federal de São CarlosNeste trabalho apresentamos uma abordagem Bayesiana para o modelo de mistura padrão com fragilidade.Esse modelo possui a vantagem em relação aos modelos de sobrevivência usuais, no sentido deincorporarem a heterogeneidade de duas subpopulações (susceptíveis e imunes) ao evento de interesse.Consideramos o modelo com um termo de fragilidade como uma alternativa para modelar dados desobrevivência. Nesse modelo, um efeito aleatório, denominado fragilidade, é introduzido na função derisco com o objetivo de controlar a heterogeneidade não observável das unidades em estudo, inclusive adependência das unidades que partilham os mesmos fatores de risco. Sob uma abordagem Bayesiana,estimamos os parâmetros utilizando o método MCMC. Comparamos os resultados com a curva de sobrevivênciaestimada via Kaplan-Meier.64
- 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 and 62: Test for Symmetry in Contingency Ta
- Page 63: Aplicações de Inferência Bayesia
- 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
- Page 113 and 114: Modelo Bayesiano Geral de Classe La
Uma Abordagem Bayesiana do Modelo Mistura Padrão comFragilidadeVinicius Fernando CalsavaraDES-Universidade Federal de São CarlosVera Lúcia Damasceno TomazellaDES-Universidade Federal de São CarlosJosé Carlos FogoDES-Universidade Federal de São CarlosNeste trabalho apresentamos uma abordagem Bayesiana para o modelo de mistura padrão com fragilidade.Esse modelo possui a vantagem em relação aos modelos de sobrevivência usuais, no sentido deincorporarem a heterogeneidade de duas subpopulações (susceptíveis e imunes) ao evento de interesse.Consideramos o modelo com um termo de fragilidade como uma alternativa para modelar dados desobrevivência. Nesse modelo, um efeito aleatório, denominado fragilidade, é introduzido na função derisco com o objetivo de controlar a heterogeneidade não observável das unidades em estudo, inclusive adependência das unidades que partilham os mesmos fatores de risco. Sob uma abordagem Bayesiana,estimamos os parâmetros utilizando o método MCMC. Comparamos os resultados com a curva de sobrevivênciaestimada via Kaplan-Meier.64