Made available in DSpace on 2015-04-22T22:16:04Z (GMT). No. of bitstreams: 1 Nelson Lima de Souza Filho.pdf: 1556771 bytes, checksum: 33a38464a9de0ec3dca0da75c9c6b64e (MD5) Previous issue date: 2012-12-06 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / In regression models, the classical normal assumption for the distribution of the measurement errors is often violated, masking some important features of the variability of the data. Some practical actions to overcome this problem, like transformations of the data, sometimes are not effective. In this work we propose a methodology to overcome this problem, in the context of multivariate linear regression with measurement errors. In these models, the covariate is unobservable and the researcher observes a surrogate variable. These measurements are made with an additive error. We extend the classical normal model, by modeling jointly the covariate and the measurement errors by a finite mixture of densities which are in a general family, accommodating skewness, heavy tails and multi-modality at the same time, allowing a degree of flexibility that can not be met by the normal model. We proceed Bayesian inference through a Gibbs-type algorithm. Some proposed models are compared with existing symmetrical models, using a modified DIC criterion, through the analysis of simulated and real data. / Em modelos de regressão, o pressuposto clássico de normalidade para a distribuição dos erros aleatórios é muitas vezes violado, mascarando algumas características importantes da variabilidade dos dados. Algumas ações práticas para resolver esse problema, como transformações nos dados, revelam-se muitas vezes ineficazes. Neste trabalho apresentamos uma proposta para lidar com esta questão no contexto do modelo de regressão multivariada linear simples, quando a variável resposta e a variável regressora são observadas com erro aditivo o chamado modelo de regressão linear com erros nas variáveis. Em tais modelos, o pesquisador observa uma variável substituta em vez da covariável de interesse. Nós estendemos o modelo clássico normal, modelando a distribuição conjunta da covariável e dos erros aleatórios por uma mistura finita de densidades pertencentes a uma família de distribuições bem geral, acomodando ao mesmo tempo assimetria, caudas pesadas e multimodalidade, permitindo um grau de flexibilidade que não pode ser atingido pelo modelo normal. Para a parte de estimação desenvolvemos um algoritmo do tipo Gibbs para proceder estimação Bayesiana. Alguns modelos propostos foram comparados com modelos simétricos já existentes na literatura, utilizando um critério DIC modificado, através da análise de dados simulados e reais.

Orientador: Victor Hugo Lachos Davila / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Matematica, Estatistica e Computação Cientifica / Made available in DSpace on 2018-08-13T07:03:11Z (GMT). No. of bitstreams: 1 Basso_RodrigoMarreiro_M.pdf: 3130269 bytes, checksum: 85e95beb812a4ec069f39f8b9c79681a (MD5) Previous issue date: 2009 / Resumo: Nesse trabalho será considerada uma classe flexível de modelos usando misturas finitas de distribuições da classe de misturas de escala skew-normal. O algoritmo EM é empregado para se obter estimativas de máxima verossimilhança de maneira iterativa, sendo discutido com maior ênfase para misturas de distribuições skew-normal, skew-t, skew-slash e skew-normal contaminada. Também será apresentado um método geral para aproximar a matrix de covariância assintótica das estimativas de máxima verossimilhança. Resultados obtidos da análise de quatro conjuntos de dados reais ilustram a aplicabilidade da metodologia proposta / Abstract: In this work we consider a flexible class of models using finite mixtures of multivariate scale mixtures of skew-normal distributions. An EM-type algorithm is employed for iteratively computing maximum likelihood estimates and this is discussed with emphasis on finite mixtures of skew-normal, skew-t, skew-slash and skew-contaminated normal distributions. A general information-based method for approximating the asymptotic covariance matrix of the maximum likelihood estimates is also presented. Results obtained from the analysis of four real data sets are reported illustrating the usefulness of the proposed methodology / Mestrado / Mestre em Estatística