Tópicos em regressão para riscos relativos

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorAndrade, Bernardo Borba de-
Autor(es): dc.creatorShiraiwa, Cecília Satie-
Data de aceite: dc.date.accessioned2021-10-14T17:44:07Z-
Data de disponibilização: dc.date.available2021-10-14T17:44:07Z-
Data de envio: dc.date.issued2020-02-05-
Data de envio: dc.date.issued2020-02-05-
Data de envio: dc.date.issued2020-02-05-
Data de envio: dc.date.issued2019-07-02-
Fonte completa do material: dc.identifierhttps://repositorio.unb.br/handle/10482/36827-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/615021-
Descrição: dc.descriptionDissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Estatística, 2019.-
Descrição: dc.descriptionO modelo de regressão logística é, provavelmente, o modelo para dados binários mais popular. Algumas justificativas para sua ampla utilização são a simplicidade computacional e o uso da razão de chances em estudos de caso controle. Entretanto, sua interpretação não é tão trivial, comumente levando à supervalorização do efeito das covariáveis. O modelo log-binomial oferece uma interpretação dos resultados de forma mais intuitiva, por meio do risco relativo. O fato do modelo logbinomial apresentar restrições no espaço paramétrico torna o método para seu ajuste mais complexo. Entretanto, já existem soluções para lidar com essas restrições. Neste trabalho serão abordadas as vantagens do modelo log-binomial, além das soluções para lidar com a restrição no espaço paramétrico e comentaremos o processo de estimação considerando as abordagens clássica e bayesiana. Por fim, estudaremos, via simulação e reamostragem, o comportamento dos testes de Vuong e de Cox para escolha do melhor modelo, na comparação da regressão log-binomial com a regressão logística.-
Descrição: dc.descriptionThe logistic regression model is probably the most popular model for binary data. Some justifications for its wide use are computational simplicity and the use of odds ratio in case control studies. However, its interpretation is not so trivial, usually leading to overvaluation of the covariates effects. Log-binomial model offers more intuitive results interpretation, by relative risk. The fact that logbinomial model presents constraints in the parametric space makes fit method more complex. However, there are solutions available to deal with these constraints. In this work we will discuss the advantages of the log-binomial model, as well as the solutions to deal with the constraint in the parametric space, and we will discuss the estimation process considering the classical and Bayesian approaches. Finally, we will study Vuong and Cox tests to choose the best model between logbinomial regression and logistic regression by simulation and resampling.-
Formato: dc.formatapplication/pdf-
Direitos: dc.rightsAcesso Aberto-
Direitos: dc.rightsA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.-
Palavras-chave: dc.subjectRegressão log-binomial-
Palavras-chave: dc.subjectDados binários-
Palavras-chave: dc.subjectRegressão logística-
Título: dc.titleTópicos em regressão para riscos relativos-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional – UNB

Não existem arquivos associados a este item.