Analisando a eficiência da regressão quantílica em diferentes tipos de dados

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorCosta, Patrícia Lusié Velozo da-
Autor(es): dc.contributorSantos, Wilson Calmon Almeida dos-
Autor(es): dc.contributorGonçalves, Kelly Cristina Mota-
Autor(es): dc.contributorSouza, Mariana Albi de Oliveira-
Autor(es): dc.creatorGoltara, Jessyka Amorim Padilha-
Data de aceite: dc.date.accessioned2024-07-11T18:45:25Z-
Data de disponibilização: dc.date.available2024-07-11T18:45:25Z-
Data de envio: dc.date.issued2020-05-05-
Data de envio: dc.date.issued2020-05-05-
Data de envio: dc.date.issued2019-
Fonte completa do material: dc.identifierhttps://app.uff.br/riuff/handle/1/13481-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/776927-
Descrição: dc.descriptionRegressão é uma ferramenta que permite explorar e inferir sobre a relação de uma variável resposta com variáveis explicativas. Essa relação pode ser expressa através de um modelo matemático. Os modelos de regressão linear são muito utilizados em diversas áreas e consistem basicamente em atribuir uma estrutura linear para a média do processo. Apesar de extremamente úteis, por atenderem situações nas quais a média da variável resposta é explicada por um conjunto de variáveis independentes, estes modelos tornam-se inapropriados quando o interesse não é modelar o comportamento médio da população. Como uma alternativa a esta classe de modelos, modelos de regressão quantílica mostram-se vantajosos quando o interesse está na análise de qualquer quantil populacional. Modelos de regressão quantílica também servem para analisar quantis em modelos lineares e não lineares, tendo ainda o benefício de serem menos sensíveis a \textit{outliers} por utilizarem medidas mais robustas a tais observações e, nesse caso, analisar a mediana da distribuição pode ser mais eficiente do que analisar a média tornando a regressão quantílica mais apropriada. Sob o ponto de vista bayesiano, para estimar os parâmetros dessa relação utiliza-se a distribuição de Laplace assimétrica, onde faz-se necessário utilizar os métodos de Monte Carlo via Cadeias de Markov para gerar amostras da posteriori. No presente trabalho, serão abordados a comparação entre o modelo linear e modelos quantílicos clássico e bayesiano quando alguma suposição do modelo linear não for atendida. Dados simulados serão utilizados para analisar a eficiência na estimação dos parâmetros, tempo computacional necessário e para comprar modelos diferentes aplicados a um mesmo conjunto de dados. Em seguida, os modelos serão aplicados em um conjuntos e dados reais sobre o Índice de Desenvolvimento Humano-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightshttp://creativecommons.org/licenses/by-nc-nd/3.0/br/-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectEstatística-
Palavras-chave: dc.subjectRegressão linear-
Palavras-chave: dc.subjectModelos lineares-
Palavras-chave: dc.subjectRegressão quantílica-
Palavras-chave: dc.subjectModelos quantílicos-
Palavras-chave: dc.subjectRegressão quantílica bayesiana-
Palavras-chave: dc.subjectDistribuição Laplace assimétrica-
Palavras-chave: dc.subjectRegressão (Estatística)-
Título: dc.titleAnalisando a eficiência da regressão quantílica em diferentes tipos de dados-
Tipo de arquivo: dc.typeTrabalho de conclusão de curso-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.