Spelling suggestions: "subject:"Farlie-Gumbel-Morgenstern popula"" "subject:"Farlie-Gumbel-Morgenstern copula""
1 |
Modelos de sobrevivência bivariados baseados na cópula FGM : uma abordagem bayesianaSuzuki, Adriano Kamimura 07 February 2012 (has links)
Made available in DSpace on 2016-06-02T20:04:51Z (GMT). No. of bitstreams: 1
4292.pdf: 1258858 bytes, checksum: c7d8d771d500d5ab8d54fbaae144001b (MD5)
Previous issue date: 2012-02-07 / Financiadora de Estudos e Projetos / In this work we present a Bayesian analysis for bivariate survival data in the presence of a covariate and censored observations. We propose a bivariate distribution for the bivariate survival times based on the Farlie-Gumbel-Morgenstern (FGM) copula to model data with weak dependence. Some survival models with and without cure rate have been assumed for the marginal distributions. For inferential purpose a Bayesian approach via Markov Chain Monte Carlo (MCMC) was considered. Further, some discussions on model selection criteria are given and comparisons with other copula models were performed. To detect influential observations in the data we consider a Bayesian case deletion influence diagnostics based on the -divergence. The OpenBUGS and R systems were used to simulate samples of the posterior distribution. Numerical illustrations are presented considering artificial and real data sets. / Neste trabalho apresentamos uma análise bayesiana para dados de sobrevivência bivariados na presença de covariáveis e observações censuradas. Propomos uma distribuição bivariada para os tempos de sobrevivência baseada na cópula de Farlie- Gumbel-Morgenstern (FGM) para modelar dados com fraca dependência. Alguns modelos de sobrevivência com e sem fração de cura foram assumidos para as distribuições marginais. Para fins inferenciais foi considerada uma abordagem bayesiana usando métodos Monte Carlo em Cadeias de Markov (MCMC). Além disso, algumas discussões sobre os critérios de seleção de modelos são apresentadas e comparações com outras cópulas foram realizadas. A fim de detectar observações influentes nos dados analisados foi utilizado o método bayesiano de análise de influência caso a caso baseado na divergência. Os sistemas OpenBUGS e R foram utilizados para simular amostras da distribuição a posteriori de interesse. Ilustrações numéricas são apresentadas considerando conjunto de dados artificiais e reais.
|
Page generated in 0.0654 seconds