Untitled - UFRJ

More documents

Recommendations

Info

A Bayesian Test for the Intraclass Correlation CoefficientVerónica Andrea González-LópezDepartamento de Estatística, Universidade Estadual de CampinasJulio da Motta SingerDepartamento de Estatística, Universidade de São PauloNelson I. TanakaDepartamento de Estatística, Universidade de São PauloAntonio C. Pedroso-de-LimaDepartamento de Estatística, Universidade de São PauloThis work is a guide to decide whether taking measures in triplicate (or more generally in m-plicate)may reduce the length of confidence intervals in experimental settings where only small pilot studies areavailable. The decision is made through a test of the hypothesis that the intraclass correlation coefficientis less than a specified constant. By the scenario presented the Bayesian approach is the natural one.We illustrate the procedure with an example from the food industry.Este trabalho é um guia para decidir quando coletar medições em triplicata (ou generalizando, emm-plicata) pode reduzir o tamanho de intervalos de confiança em configurações experimentais nas quaisapenas pequenas amostras piloto são disponibilizadas. A decião é tomada mediante um teste de hipóteseque testa se o coeficiente de correlação intra-classe é menor o igual que uma constante previamenteespecificada. Nesta situação, a abordagem Bayesiana é a natural. Ilustramos o procedimento medianteum exemplo da industria de alimentos.87
Modelos de Volatilidade Estocástica com Distribuições deCaudas PesadasIvan Robert Enríquez GuzmánDepartamento de Estatística - Instituto de Matemática e Estatística -Universidade de São PauloPedro Alberto MorettinDepartamento de Estatística - Instituto de Matemática e Estatística -Universidade de São PauloEste é um estudo preliminar de pesquisa em modelos de Volatilidade Estocástica usando a classede mistura de escala normal simétrica, que permite a incorporação no modelo de erros com caudasmais pesadas que a distribuição Normal. Esta tentativa já foi estudada anteriormente por diferentespesquisadores, sobretudo o modelo com erro t-Student. Inicialmente a idéia da pesquisa é tratar de daralternativa de modelagem ‘a característica assimétrica e leptocurtica que apresentam as séries financeirase de volatilidade estocástica. Intuitivamente, a idéia é incorporar erros que permitam considerar pontosmais extremos que permite a Normal por meio de distribuições que apresentam caudas mais pesadas.Em particular, utilizamos as distribuições normal assimétrica (NS) ou T assimétrica (TS), a normal independentee distribuições de mistura na escala de normais (MEN),dentro da família dos modelos elípticos.Iniciamos com o estudo dos modelos clássicos de volatilidade estocástica (VE), isto é com erro gaussiano,depois consideramos os modelos de volatilidade com mistura na escala de normais, incorporando o errodeste tipo só na série dos log retornos, e depois em ambas as séries de retornos e estados. Foram feitasaplicações com a série S&P 500, encontrando que o modelo VE-Slash foi o mais adequado. Além, disso,desenvolvemos aqueles modelos de volatilidade estocástica de mistura na escala de normais (VE-MEN)considerando erros de tipo MEN tanto na série como nos estados e no final estes modelos podem sermarkovianos, não necessariamente gaussianos. Incorporamos uma correlação entre os erros com a finalidadede avaliar o efeito de alavancagem. Palavras chaves: Volatilidade Estocástica , Misturas na Escalade Distribuições Normais , Markov Chain Monte Carlo , modelos de espaços de estados não lineares.88
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 and 86: BIC Criterion for Minimal Markov Mo
Page 87: Estimadores Lineares Bayesianos em
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?