Untitled - UFRJ

More documents

Recommendations

Info

Interação Social na Criminalidade da Região Metropolitana deSão Paulo: Um Modelo Espaço-Temporal BayesianoMarcelo GazzanoSul América InvestimentosFlávio Augusto ZiegelmannUniversidade Federal do Rio Grande do SulPatrícia Klarmann ZiegelmannUniversidade Federal do Rio Grande do SulNeste trabalho utiliza-se um modelo espaço-temporal estudado em Rojas (2004), a saber, o modelopolinomial de 1 a ordem (com pequenas alterações em distribuições propostas no processo de estimaçãovia Metrópolis-Hasting), para medir a interação social da criminalidade na região metropolitana de SãoPaulo. Simulações de Monte Carlo são realizadas para avaliar a capacidade de estimação do modelo emdois diferentes cenários (poucas e muitas observações no tempo). Quanto aos resultados empíricos paraos dados reais, estes indicam que a região metropolitana de São Paulo é um hot spot no estado, pois éencontrado um maior grau de interação social no índice de homicídio em relação aos índices de roubo efurto.85
Estimadores Lineares Bayesianos em Amostragem dePopulação FinitaKelly Cristina Mota GonçalvesUniversidade Federal do Rio de JaneiroFernando Antônio da Silva MouraUniversidade Federal do Rio de JaneiroHelio dos Santos MigonUniversidade Federal do Rio de JaneiroNa teoria de amostragem de população finita, baseada na aleatorização induzida pelo plano amostral,o objetivo principal é produzir estimativas pontuais das quantidades de interesse e suas respectivasvariâncias. Esta metodologia não tem se mostrada adequada para tratar algumas situações práticas epara estas a utilização de modelos de superpopulação tem sido inevitável. Neste caso há também apossibilidade de se empregar a inferência Bayesiana, com o objetivo de incluir informações a priori sobreos hiperparâmetros do modelo de superpopulação proposto.Sem a necessidade de uma eliciação completa da distribuição a priori, a inferência Bayesiana baseadano método linear de Bayes trata-se de um procedimento alternativo a aleatorização. Esta modelagemenfraquece ao máximo as hipóteses do desenho amostral caracterizando-o somente com hipóteses sobre oprimeiro e segundo momentos. É uma modelagem robusta, no sentido que está a meio caminho entre duasideias extremas: de um lado os procedimentos de aleatorização e de outro modelos de superpopulação.Neste sentido, está a importância de hipóteses de permutabilidade, e em particular permutabilidade desegunda ordem, caracterizada como conhecimento a priori acerca de estruturas eficientes na população.Estes modelos robustos têm, portanto, estruturas flexíveis, que permitem assumir dependência entreindíviduos, estratos, conglomerados, entre outros.Este trabalho trata de extensões de inferência Bayesiana, baseadas no método linear de Bayes, nocontexto de estimação em população finita. O método será aplicado a um modelo de regressão simplesgeral e serão descritos casos particulares que resultam em estimadores para alguns planos amostrais frequentes,além de estimadores do tipo razão e regressão e para dados categóricos. Em seguida, partiremospara modelos mais estruturados na família exponencial comparando as predições que são obtidas quandose usa inferência Bayesiana, baseada no método linear de Bayes, e inferência clássica. Finalmente, estesmodelos serão utilizados em uma aplicação a dados de pequenas áreas.86
Page 4 and 5:
10 o Encontro Brasileiro de Estatí
Page 7 and 8:
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:
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 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 and 82: Computational Tools for Comparing A
Page 83 and 84: Modelo Partição Produto com “Cl
Page 85: BIC Criterion for Minimal Markov Mo
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 and 138:
Standard Setting for a Rasch Poisso
Page 139 and 140:
Modelo Logístico Misto com Classes
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:
Page 161 and 162:
Page 163:
show all

Untitled - UFRJ

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?