El presente trabajo tiene como objetivo investigar el Modelo de Clases Latentes Multinivel (MCLM). Este modelo es una extensión muy importante del Modelo de Clases Latentes (MCL), cuyo objetivo principal es el de construir perfiles, a partir de un conjunto de variables categóricas observadas; bajo el supuesto de independencia entre observaciones, lo que frecuentemente es vulnerado si se analizan datos que presentan cierta jerarquía. El MCLM es un modelo que permite analizar los datos modificando este supuesto, al incorporar variables latentes discretas en todos los niveles de la jerarquía, con la finalidad de conseguir una solución óptima del número de subclases o perfiles que pertenecen a cada una de estas variables latentes. Finalmente se utilizó el MCLM para determinar los niveles de depresión de una muestra de 399 internos pertenecientes a ocho establecimientos penitenciarios del país, Para el análisis se consideró un MCLM con tres clases latentes en el primer nivel, tomando en cuenta los resultados anteriores se consideró segmentar a los establecimientos penitenciarios en tres grupos: el primero, conformado por una mayor proporción de internos que fueron clasificados como “moderadamente afectados” por la depresión (58%); el segundo grupo presentó una mayor proporción de internos “altamente afectados” por esta enfermedad (69%) y el último grupo, conformado exclusivamente por internas que en su mayoría no presentaron episodios depresivos (85%).

Submitted by Danielle Karla Martins Silva (danielle.martins@ufpe.br) on 2015-03-12T12:44:40Z No. of bitstreams: 2 Dissertação_Marcos_Pereira.pdf: 807661 bytes, checksum: 1ebb56740f5cb8ccf80e479b8f137997 (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) / Made available in DSpace on 2015-03-12T12:44:40Z (GMT). No. of bitstreams: 2 Dissertação_Marcos_Pereira.pdf: 807661 bytes, checksum: 1ebb56740f5cb8ccf80e479b8f137997 (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Previous issue date: 2013 / CAPES / Neste trabalho apresenta-se um modelo de calibração estatística linear com repetição na variável resposta e assumindo que os erros têm distribuição pertencente a uma classe ou família de distribuições denominada Misturas de Escala Normal Assimétrica (MENA). Essa família de distribuições e uma generalização de várias distribuições que permite a escolha de uma distribuição simétrica ou assimétrica. Na literatura, os modelos de calibração supõem, em grande parte, que os erros têm distribuição normal, no entanto, a distribuição normal e inadequada para dados com observações destoantes e assimetria. A estimação dos parâmetros do modelo proposto e feita numericamente por meio do algoritmo EM, devido a sua facilidade de implementação e eficiência. Realizou-se um estudo de simulação em que o estimador de máxima verossimilhança via algoritmo EM mostrou-se consistente. O modelo de calibração linear proposto foi aplicado em dois conjuntos de dados reais relacionados a química analítica.

[pt] Neste trabalho um novo modelo de mistura de distribuições é proposto, onde a estrutura da mistura é determinada por uma árvore de decisão com transição suave. Modelos baseados em mistura de distribuições são úteis para aproximar distribuições condicionais desconhecidas de dados multivariados. A estrutura em árvore leva a um modelo que é mais simples, e em alguns casos mais interpretável, do que os propostos anteriormente na literatura. Baseando-se no algoritmo de Esperança- Maximização (EM), foi derivado um estimador de quasi- máxima verossimilhança. Além disso, suas propriedades assintóticas são derivadas sob condições de regularidades. Uma estratégia de crescimento da árvore, do especifico para o geral, é também proposta para evitar possíveis problemas de identificação. Tanto a estimação quanto a estratégia de crescimento são avaliados em um experimento Monte Carlo, mostrando que a teoria ainda funciona para pequenas amostras. A habilidade de aproximação universal é ainda analisada em experimentos de simulação. Para concluir, duas aplicações com bases de dados reais são apresentadas. / [en] In this work a new model of mixture of distributions is proposed, where the mixing structure is determined by a smooth transition tree architecture. Models based on mixture of distributions are useful in order to approximate unknown conditional distributions of multivariate data. The tree structure yields a model that is simpler, and in some cases more interpretable, than previous proposals in the literature. Based on the Expectation-Maximization (EM) algorithm a quasi-maximum likelihood estimator is derived and its asymptotic properties are derived under mild regularity conditions. In addition, a specific-to-general model building strategy is proposed in order to avoid possible identification problems. Both the estimation procedure and the model building strategy are evaluated in a Monte Carlo experiment, which give strong support for the theorydeveloped in small samples. The approximation capabilities of the model is also analyzed in a simulation experiment. Finally, two applications with real datasets are considered.

D.L. A 227-2008

No description available.

This dissertation consists of three articles, proposing extensions of finite mixtures in regression models. Here we consider a flexible class of both univariate and multivariate distributions, which allow adequate modeling of asymmetric data that have multimodality, heavy tails and outlying observations. This class has special cases such as skew-normal, skew-t, skew-slash and skew normal contaminated distributions, as well as symmetric cases. Initially, a model is proposed based on the assumption that the errors follow a finite mixture of scale mixture of skew-normal (FM-SMSN) distribution rather than the conventional normal distribution. Next, we have a censored regression model where we consider that the error follows a finite mixture of scale mixture of normal (SMN) distribution. Next, we propose a censored regression model where we consider that the error follows a finite mixture of scale mixture of normal (SMN) distribution. Finally, we consider a finite mixture of multivariate regression where the error has a multivariate SMSN distribution. For all proposed models, two R packages were developed, which are reported in the appendix. / Esta tese composta por três artigos, visa propor extensões das misturas finitas nos modelos de regressão. Aqui vamos considerar uma classe flexível de distribuições tanto univariada como multivariada, que permitem modelar adequadamente dados assimmétricos, que presentam multimodalidade, caldas pesadas e observações atípicas. Esta classe possui casos especiais tais como as distribuições skew-normal, skew-t, skew slash, skew normal contaminada, assim como os casos simétricos. Inicialmente, é proposto um modelo baseado na suposição de que os erros seguem uma mistura finita da distribuição mistura de escala skew-normal (SMSN) ao invés da convencional distribuição normal. Em seguida, temos um modelo de regressão censurado onde consideramos que o erro segue uma mistura finita da distribuição da mistura de escala normal (SMN). E por último, é considerada um mistura finita de regressão multivariada onde o erro tem uma distribuição SMSN multivariada. Para todos os modelos propostos foram desenvolvidos dois pacotes do software R, que estão exemplificados no apêndice.

This dissertation consists of three articles, proposing extensions of finite mixtures in regression models. Here we consider a flexible class of both univariate and multivariate distributions, which allow adequate modeling of asymmetric data that have multimodality, heavy tails and outlying observations. This class has special cases such as skew-normal, skew-t, skew-slash and skew normal contaminated distributions, as well as symmetric cases. Initially, a model is proposed based on the assumption that the errors follow a finite mixture of scale mixture of skew-normal (FM-SMSN) distribution rather than the conventional normal distribution. Next, we have a censored regression model where we consider that the error follows a finite mixture of scale mixture of normal (SMN) distribution. Next, we propose a censored regression model where we consider that the error follows a finite mixture of scale mixture of normal (SMN) distribution. Finally, we consider a finite mixture of multivariate regression where the error has a multivariate SMSN distribution. For all proposed models, two R packages were developed, which are reported in the appendix. / Esta tese composta por três artigos, visa propor extensões das misturas finitas nos modelos de regressão. Aqui vamos considerar uma classe flexível de distribuições tanto univariada como multivariada, que permitem modelar adequadamente dados assimmétricos, que presentam multimodalidade, caldas pesadas e observações atípicas. Esta classe possui casos especiais tais como as distribuições skew-normal, skew-t, skew slash, skew normal contaminada, assim como os casos simétricos. Inicialmente, é proposto um modelo baseado na suposição de que os erros seguem uma mistura finita da distribuição mistura de escala skew-normal (SMSN) ao invés da convencional distribuição normal. Em seguida, temos um modelo de regressão censurado onde consideramos que o erro segue uma mistura finita da distribuição da mistura de escala normal (SMN). E por último, é considerada um mistura finita de regressão multivariada onde o erro tem uma distribuição SMSN multivariada. Para todos os modelos propostos foram desenvolvidos dois pacotes do software R, que estão exemplificados no apêndice.

Made available in DSpace on 2017-07-10T19:25:00Z (GMT). No. of bitstreams: 1 Rosangela_texto.pdf: 2310887 bytes, checksum: d9e69eaef22ee697283c66446001b19e (MD5) Previous issue date: 2010-12-16 / The presence of inconsistent observations make it improper to consider the gaussian process, as it is found in the literature. This process should be replaced by models of the symmetric distribution classes, such as the t-student distribution, which incorporates additional parameters to reduce the influence of inconsistent points. This work has developed the EM algorithm for estimating the structure of the spatial dependence of the parameters and of the spatial linear model, assuming that the process shows t-student n-varied distribution. This distribution has the degree of freedom v as the additional parameter, which has been considered to be fixed in this research. Techniques to diagnose influence are used after the estimation of parameters, in order to assess the quality of the adjustment of the model by the assumptions made and for the robustness of the results of the estimates when there are disturbances in the model or data. In the present work, diagnostic techniques for the assessment of local influence in linear spatial models have been developed, considering the process with t-student n-varied distribution. The usual diagnostic technique evaluates the withdrawing of the likelihood rate by the function of the likelihood logarithm. In this proposal, in addition to considering the usual technique, we use the withdrawing of the likelihood by Q-displacement of the complete likelihood. The application of the usual technique and of the one proposed here are illustrated through the analyses of both simulated and real data, provenient of agricultural experiments. / A presença de observações discrepantes torna imprópria a análise do processo gaussiano, sendo assim, como é encontrado na literatura, esse processo deve ser substituído por modelos da classe das distribuições simétricas, tal como a distribuição t-student, que incorpora parâmetros adicionais para reduzir a influência dos pontos discrepantes. Neste trabalho, assumiu-se que o processo apresenta distribuição t-student n-variada. Essa distribuição tem como parâmetro adicional o grau de liberdade v, que aqui considerou-se fixo. Dessa forma, desenvolveu-se o algoritmo EM e o algoritmo de NR para a estimação dos parâmetros da estrutura de dependência espacial e do modelo espacial linear. Após a estimação dos parâmetros, utilizou-se duas técnicas de diagnósticos de influência local, ambas com o intuito de avaliar a qualidade do ajuste do modelo pelas suposições feitas e pela robustez dos resultados das estimativas quando há perturbações no modelo ou nos dados. A primeira técnica, denominada "usual", já utilizada por diversos autores, avalia o afastamento da verossimilhança pela função do logaritmo da verossimilhança e a segunda técnica que aqui apresentamos propõe a análise de influência local pelo Q-afastamento da função de verossimilhança para dados completos. Essas técnicas permitiram verificar a influência no afastamento da verossimilhança, na matriz de covariância, no preditor linear e nos valores preditos por meio da análise gráfica. Para ilustrar a aplicação da técnica usual e da nossa proposta, realizou-se a análise de dados simulados e dados reais provenientes de experimentos agrícolas.

Made available in DSpace on 2017-05-12T14:48:22Z (GMT). No. of bitstreams: 1 Rosangela_texto.pdf: 2310887 bytes, checksum: d9e69eaef22ee697283c66446001b19e (MD5) Previous issue date: 2010-12-16 / The presence of inconsistent observations make it improper to consider the gaussian process, as it is found in the literature. This process should be replaced by models of the symmetric distribution classes, such as the t-student distribution, which incorporates additional parameters to reduce the influence of inconsistent points. This work has developed the EM algorithm for estimating the structure of the spatial dependence of the parameters and of the spatial linear model, assuming that the process shows t-student n-varied distribution. This distribution has the degree of freedom v as the additional parameter, which has been considered to be fixed in this research. Techniques to diagnose influence are used after the estimation of parameters, in order to assess the quality of the adjustment of the model by the assumptions made and for the robustness of the results of the estimates when there are disturbances in the model or data. In the present work, diagnostic techniques for the assessment of local influence in linear spatial models have been developed, considering the process with t-student n-varied distribution. The usual diagnostic technique evaluates the withdrawing of the likelihood rate by the function of the likelihood logarithm. In this proposal, in addition to considering the usual technique, we use the withdrawing of the likelihood by Q-displacement of the complete likelihood. The application of the usual technique and of the one proposed here are illustrated through the analyses of both simulated and real data, provenient of agricultural experiments. / A presença de observações discrepantes torna imprópria a análise do processo gaussiano, sendo assim, como é encontrado na literatura, esse processo deve ser substituído por modelos da classe das distribuições simétricas, tal como a distribuição t-student, que incorpora parâmetros adicionais para reduzir a influência dos pontos discrepantes. Neste trabalho, assumiu-se que o processo apresenta distribuição t-student n-variada. Essa distribuição tem como parâmetro adicional o grau de liberdade v, que aqui considerou-se fixo. Dessa forma, desenvolveu-se o algoritmo EM e o algoritmo de NR para a estimação dos parâmetros da estrutura de dependência espacial e do modelo espacial linear. Após a estimação dos parâmetros, utilizou-se duas técnicas de diagnósticos de influência local, ambas com o intuito de avaliar a qualidade do ajuste do modelo pelas suposições feitas e pela robustez dos resultados das estimativas quando há perturbações no modelo ou nos dados. A primeira técnica, denominada "usual", já utilizada por diversos autores, avalia o afastamento da verossimilhança pela função do logaritmo da verossimilhança e a segunda técnica que aqui apresentamos propõe a análise de influência local pelo Q-afastamento da função de verossimilhança para dados completos. Essas técnicas permitiram verificar a influência no afastamento da verossimilhança, na matriz de covariância, no preditor linear e nos valores preditos por meio da análise gráfica. Para ilustrar a aplicação da técnica usual e da nossa proposta, realizou-se a análise de dados simulados e dados reais provenientes de experimentos agrícolas.

Made available in DSpace on 2014-06-12T18:01:54Z (GMT). No. of bitstreams: 2 arquivo3788_1.pdf: 702720 bytes, checksum: bc4a0f4ac532f594aa3c60b71c963230 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2009 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Nesta dissertação trabalhamos com três classes de distribuições de probabilidade, sendo uma já conhecida na literatura, a Classe de Distribuições Generalizadas Beta (Beta-G) e duas outras novas classes introduzidas nesta tese, baseadas na composição das distribuições Pareto e Weibull com a classe de distribuições discretas power series. Fazemos uma revisão geral da classe Beta-G e introduzimos um caso especial, a distribuição beta logística generalizada do tipo IV (BGL(IV)). Introduzimos distribuições relacionadas `a BG L(IV) que tamb´em pertencem `a classe Beta-G, como a beta-beta prime e a beta-F. Introduzimos a classe Pareto power series (PPS), que ´e uma mistura de distribui¸c oes Pareto com pesos definidos pela distribui¸c ao power series, e apresentamos algumas de suas propriedades. Introduzimos a classe Weibull power series (WPS), cujo processo de constru¸c ao ´e similar ao da classe PPS. Apresentamos algumas de suas propriedades e aplica¸c ao a um banco de dados reais. Distribui¸c oes nesta classe t em aplica¸c ao interessante a dados de tempo de vida devido `a variedade de formas da fun¸c ao de risco. Para as classes PPS e WPS, fizemos uma simula ¸c ao para avaliar m´etodos de sele¸c ao de modelo. A distribui¸c ao pareto ´e um caso especial limite da distribui¸c ao PPS, assim como a distribui¸c ao Weibull ´e um caso especial limite da distribui¸c ao WPS.