Untitled - UFRJ
Untitled - UFRJ Untitled - UFRJ
Latent Residual Analysis in Binary Regression withSkewed LinkRafael Braz Azevedo FariasUniversity of Sao PauloMárcia D. BrancoUniversity of Sao PauloDipak K. DeyUniversity of ConnecticutDiagnostic techniques are indispensable tools to check goodness of the fitted models. In particular,residuals are used to check whether or not the model assumptions are hold by the data. Moreover,residuals are also useful to help in outlier detection, which can provide disproportional interference ininferential results. In this work we describe some types of residuals used in the Bayesian binary regressionmodel framework. Among them, we present latent residuals obtained through scale mixture of normals,which include probit Student-t and logistic models. We develop and implement residuals analysis forbinary response data for the probit, logistic, skew-probit and GEV models. For a simulated data set wedetect the presence of outliers using residuals proposed here for the different models.81
Modelo Partição Produto com “Clusters” CorrelacionadosJacqueline Alves FerrreiaPrograma de Pós-Graduação - UFMGRosangela Helena LoschiDepartamento de Estatística, ICEx-UFMGMarcelo AzevedoDepartamento de Estatística, ICEx-UFMGIdentificar pontos de mudança é extremamente útil em diversas áreas de conhecimento, como porexemplo, economia, meteorologia, hidrologia, medicina entre outras. Neste trabalho, esse problema serátratado do ponto de vista bayesiano, através de uma extensão do modelo partição produto. Apesarda metodologia de identificação de pontos de mudança ser amplamente utilizada na análise de dadossequenciais, em geral, é feita a suposição de que as médias entre blocos são independentes. Nestecontexto, esse trabalho propõe um modelo baseado na idéia de processos de Markov, que consideraa correlação entre as médias dos clusters. A metodologia proposta é avaliada no contexto em que asequência de dados possui distribuição Normal. A proposta deste estudo é comparada com o modelopartição produto, muito usual na literatura, através de ensaios de Monte Carlo.82
- 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 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: Computational Tools for Comparing A
- 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 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
Latent Residual Analysis in Binary Regression withSkewed LinkRafael Braz Azevedo FariasUniversity of Sao PauloMárcia D. BrancoUniversity of Sao PauloDipak K. DeyUniversity of ConnecticutDiagnostic techniques are indispensable tools to check goodness of the fitted models. In particular,residuals are used to check whether or not the model assumptions are hold by the data. Moreover,residuals are also useful to help in outlier detection, which can provide disproportional interference ininferential results. In this work we describe some types of residuals used in the Bayesian binary regressionmodel framework. Among them, we present latent residuals obtained through scale mixture of normals,which include probit Student-t and logistic models. We develop and implement residuals analysis forbinary response data for the probit, logistic, skew-probit and GEV models. For a simulated data set wedetect the presence of outliers using residuals proposed here for the different models.81
Change language