Um algoritmo para modelos de limiar usando as distribuições acumuladas normal e “t” de student

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.creatorSilva, José Waldemar da-
Autor(es): dc.creatorBueno Filho, Julio Sílvio de Sousa-
Data de aceite: dc.date.accessioned2026-02-09T11:54:11Z-
Data de disponibilização: dc.date.available2026-02-09T11:54:11Z-
Data de envio: dc.date.issued2020-01-22-
Data de envio: dc.date.issued2020-01-22-
Data de envio: dc.date.issued2010-
Fonte completa do material: dc.identifierhttps://repositorio.ufla.br/handle/1/38598-
Fonte completa do material: dc.identifierhttp://jaguar.fcav.unesp.br/RME/fasciculos/v28/v28_n3/A5_Waldemar.pdf-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1149983-
Descrição: dc.descriptionCategorical data can be modeled by a underlaying continuous variable (L) that relates realizations of random response variable (Y categories) to the belonging of a linked interval. The link function used is the difference on (cumulated) distribution functions evaluated in the interval limits. This can be translated in a linear model for the conditional expectation of L. The Gibbs sampler was the first algorithm proposed to get samples from the joint posterior distribution in fixed effects models. The same algorithm was modified by Sörensen et al. (1995) to mixed effects models with normal distribution for the random effects. In this paper we fit a mixed model assuming both distributions for link functions (cumulative normal and cumulative Student t). Convergence and fit properties from both distributions were compared. A sensory analysis example was used in which three sugar solutions with different concentrations were used to dehydrate a landrace of banana fruits. Color of the product was evaluated using a nine points hedonic scale. There was no evidence for differences in convergence times from both link functions. Cumulative t link function has presented the best fit, being the more likely model according to theBayes factor.-
Descrição: dc.descriptionDados categorizados podem ser modelados por meio de uma variável subjacente ou latente contínua (L), que relaciona as observações da variável resposta aleatória categórica (Y) à pertinência em intervalo correspondente. A função de ligação utilizada é a diferença entre valores de uma função acumulada nos limites de intervalo. Pode-se então estabelecer um modelo linear para a esperança condicional de L. O amostrador de Gibbs foi o primeiro algoritmo proposto para a obtenção de amostras das distribuições conjuntas a posteriori, usando a distribuição t de Student, para o modelo fixo. O mesmo algoritmo foi implementado por S¨orensen et al. (1995) para modelos mistos e com distribuição normal para L. Neste trabalho ajustou-se um modelo misto em duas situações, na primeira utilizou-se a distribuição t de Student como função de ligação e na segunda a distribuição normal. As duas distribuições foram comparadas quanto `a convergência. O estudo foi exemplificado com um experimento de análise sensorial com três concentrações de sacarose no processo de desidratação de frutos de banana da terra. A cor do produto foi avaliada em uma escala hedônica de nove pontos. Não houve evidência de diferença entre os tempos de convergência para as duas funções de ligação utilizadas. O modelo com função de ligação t de Student tem melhor ajuste, sendo mais provável segundo o fator de Bayes.-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Estadual Paulista "Júlio de Mesquita Filho" - UNESP-
Direitos: dc.rightsrestrictAccess-
???dc.source???: dc.sourceRevista Brasileira de Biometria-
Palavras-chave: dc.subjectAmostrador de Gibbs-
Palavras-chave: dc.subjectModelos de limiar-
Palavras-chave: dc.subjectModelos probit-
Palavras-chave: dc.subjectLigação normal-
Palavras-chave: dc.subjectLigação t-
Palavras-chave: dc.subjectGibbs sampler-
Palavras-chave: dc.subjectNormal link-
Palavras-chave: dc.subjectProbit models-
Palavras-chave: dc.subjectThreshold models-
Palavras-chave: dc.subjectT link-
Título: dc.titleUm algoritmo para modelos de limiar usando as distribuições acumuladas normal e “t” de student-
Título: dc.titleAn algorithm for threshold models using cumulative Gaussian or cummulative Student's "t" distributions-
Tipo de arquivo: dc.typeArtigo-
Aparece nas coleções:Repositório Institucional da Universidade Federal de Lavras (RIUFLA)

Não existem arquivos associados a este item.