Untitled - UFRJ
Untitled - UFRJ Untitled - UFRJ
Testing the Deviance of Homogeneity in Poisson Distributions:A FBST ApproachPaulo C. Hubert Jr.COPPE - UFRJMarcelo de Souza LaurettoEACH - USPJulio M. SternIME - USPThe Generalized Poisson Distribution (GPD) adds an extra parameter to the usual Poisson distribution.This parameter induces a loss of homogeneity in the stochastic processes modeled by thedistribution. Thus, the generalized distribution becomes an useful model for counting processes wherethe occurrence of events is not homogeneous.This model creates the need for an inferential procedure, to test for the value of this extra parameter.The FBST (Full Bayesian Significance Test) is a Bayesian hypotheses test procedure, capable ofproviding an evidence measure on sharp hypotheses (where the dimension of the parametric space underthe null hypotheses is smaller than that of the full parametric space).The goal of this work is study the empirical properties of the FBST for testing the nullity of extraparameter of the generalized Poisson distribution.Numerical experiments show a better performance of FBST with respect to the classical likelihoodratio test, and suggest that FBST is an efficient and robust tool for this application.89
Processo de Difusão Multivariado com Estrutura Espacial:Modelagem e InferênciaVinicius Pinheiro IsraelDepartamento de Métodos Estatísticos - Instituto de Matemática -Universidade Federal do Rio de JaneiroHelio dos Santos MigonDepartamento de Métodos Estatísticos - Instituto de Matemática -Universidade Federal do Rio de JaneiroNeste trabalho formula-se um modelo espaço-temporal cuja evolução no tempo é descrita por processosde difusão multivariados e as coordenadas do processo estão indexadas pelos locais de observação.Problemas desse tipo, na prática, partem de observações em períodos de tempo discreto enquanto o modeloé contínuo. Técnicas de inferência, baseadas na função de verossimilhança, partindo da discretizaçãodo processo contínuo e trabalhando com funções de transição são apresentados. Além disso, utilizam-setécnicas de aumento de dados para reduzir o viés de discretização.A contribuição principal deste trabalho é desenvolver processos de difusão espaciais e fornecer técnicasde estimação para os parâmetros desses processos. O processo de difusão multivariado com estruturaespacial aqui apresentado é aquele cuja função de volatilidade é influenciada pelas localizações.Aplicações com dados simulados são apresentadas. A inferência segue o enfoque bayesiano partindode técnicas de MCMC tanto para estimação dos parâmetros quanto para o aumento de dados.90
- 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 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: Modelos de Volatilidade Estocástic
- 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
Processo de Difusão Multivariado com Estrutura Espacial:Modelagem e InferênciaVinicius Pinheiro IsraelDepartamento de Métodos Estatísticos - Instituto de Matemática -Universidade Federal do Rio de JaneiroHelio dos Santos MigonDepartamento de Métodos Estatísticos - Instituto de Matemática -Universidade Federal do Rio de JaneiroNeste trabalho formula-se um modelo espaço-temporal cuja evolução no tempo é descrita por processosde difusão multivariados e as coordenadas do processo estão indexadas pelos locais de observação.Problemas desse tipo, na prática, partem de observações em períodos de tempo discreto enquanto o modeloé contínuo. Técnicas de inferência, baseadas na função de verossimilhança, partindo da discretizaçãodo processo contínuo e trabalhando com funções de transição são apresentados. Além disso, utilizam-setécnicas de aumento de dados para reduzir o viés de discretização.A contribuição principal deste trabalho é desenvolver processos de difusão espaciais e fornecer técnicasde estimação para os parâmetros desses processos. O processo de difusão multivariado com estruturaespacial aqui apresentado é aquele cuja função de volatilidade é influenciada pelas localizações.Aplicações com dados simulados são apresentadas. A inferência segue o enfoque bayesiano partindode técnicas de MCMC tanto para estimação dos parâmetros quanto para o aumento de dados.90