In recent years, the use of machine learning has increased significantly. Its uses range from making the everyday life easier with voice-guided smart devices to image recognition, or predicting the stock market. Predicting economic values has long been possible by using methods other than machine learning, such as statistical algorithms. These algorithms and machine learning models use time series, which is a set of data points observed constantly over a given time interval, in order to predict data points beyond the original time series. But which of these methods gives the best results? The overall purpose of this project is to predict Sweden’s aid curve using the machine learning model Support Vector Regression and the classic statistical algorithm autoregressive integrated moving average which is abbreviated ARIMA. The time series used in the prediction are annual summaries of Sweden’s total aid to the world from openaid.se since 1998 and up to 2019. SVR and ARIMA are implemented in python with the help of the Scikit- and Statsmodels libraries. The results from SVR and ARIMA are measured in comparison with the original value and their predicted values, while the accuracy is measured in Root Square Mean Error and presented in the results chapter. The result shows that SVR with the RBF-kernel is the algorithm that provides the best results for the data series. All predictions beyond the times series are then visually presented on a openaid prototype page using D3.js / Under det senaste åren har användningen av maskininlärning ökat markant. Dess användningsområden varierar mellan allt från att göra vardagen lättare med röststyrda smarta enheter till bildigenkänning eller att förutspå börsvärden. Att förutspå ekonomiska värden har länge varit möjligt med hjälp av andra metoder än maskininlärning, såsom exempel statistiska algoritmer. Dessa algoritmer och maskininlärningsmodeller använder tidsserier, vilket är en samling datapunkter observerade konstant över en given tidsintervall, för att kunna förutspå datapunkter bortom den originella tidsserien. Men vilken av dessa metoder ger bäst resultat? Projektets övergripande syfte är att förutse sveriges biståndskurva med hjälp av maskininlärningsmodellen Support Vector Regression och den klassiska statistiska algoritmen autoregressive integrated moving average som förkortas ARIMA. Tidsserien som används vid förutsägelsen är årliga summeringar av biståndet från openaid.se sedan år 1998 och fram till 2019. SVR och ARIMA implementeras i python med hjälp av Scikit-learn och Statsmodelsbiblioteken. Resultatet från SVR och ARIMA mäts i jämförelse mellan det originala värdet och deras förutspådda värden medan noggrannheten mäts i root square mean error och presenteras under resultatkapitlet. Resultatet visar att SVR med RBF kärnan är den algoritm som ger det bästa testresultatet för dataserien. Alla förutsägelser bortom tidsserien presenteras därefter visuellt på en openaid prototypsida med hjälp av D3.js.

A quantificação da evapotranspiração é uma tarefa essencial para a determinação do balanço hídrico em uma bacia hidrográfica e para o estabelecimento do déficit hídrico de uma cultura. Nesse sentido, o presente trabalho aborda a análise da evapotranspiração de referência (ETo) para a região de Jaboticabal-SP. O comportamento do fenômeno na região foi estudado a partir da interpretação de dados de uma bateria de 12 lisímetros de drenagem (EToLis) e estimativas teóricas por 10 equações diferentes disponíveis na literatura. A análise estatística de correlação indica que as estimativas da ETo por equações teóricas comparadas à EToLis medida em lisímetro de drenagem não apresentaram bons índices de comparação e erro. Admitindo que a operação dos lisímetros não permitiu a determinação da ETo com boa confiabilidade, propôs-se um ajuste local das demais metodologias de estimativa da ETo, através de auto-regressão (AR) dos ruídos destas equações em comparação com uma média anual estimada pela equação de Penman-Monteith (EToPM), tomada como padrão, em períodos quinzenal e mensal. O ajuste através de regressão linear simples também foi analisado. Os resultados obtidos indicam que a radiação efetiva é a variável climática de maior importância para o estabelecimento da ETo na região. A estimativa pela equação de Penman-Monteith apresentou excelente concordância com as equações de Makkink (1957) e do balanço de energia. Os ajustes locais propostos apresentaram excelentes resultados para a maioria das equações testadas, dando-se destaque às equações da radiação solar FAO-24, de Makkink (1957), de Jensen-Haise (1963), de Camargo (1971), do balanço de radiação, de Turc (1961) e de Thornthwaite (1948). O ajuste por regressão linear simples é de mais fácil execução e apresentou excelentes resultados. / The quantification of the evapotranspiration is an essential task for the determination of the water balance in a watershed and for the establishment of the culture´s water deficit. Therefore, the present work describes the analysis of the reference evapotranspiration (ETo) for the region of Jaboticabal-SP. The phenomenon behavior in the region was studied based on the interpretation of 12 drainage lysimeters data (EToLis) and on theoretical estimates for 10 different equations available in the Literature. An statistical analysis indicated that the theoretical ETo estimates compared with the EToLis did not present good indices of comparison and error. Admitting that the lysimeters operation did not allow a reliable ETo determination, a local adjustment of the theoretical methodologies for ETo estimate was considered. An auto-regression (AR) of the noises of these equations in comparison with the annual average estimate for the Penman-Monteith equation (EToPM), taken as standard, has been performed in fortnightly and monthly periods. The adjustment through simple linear regression has also been analyzed. The obtained results indicate that the effective radiation is the most important climatic variable for the establishment of the ETo in the region. The Penman-Monteith estimate presented excellent correlation to the estimates by Makkink (1957) equation and the energy balance. The local adjustments presented excellent results for the majority of the tested equations, specially for the solar radiation FAO-24, Makkink (1957), Jensen-Haise (1963), Camargo (1971), radiation balance, Turc (1961) and Thornthwaite (1948) equations. The adjustment by simple linear regression is of easier execution and also presented excellent results.

Durante as últimas décadas, o melhoramento genético em bovinos leiteiros no Brasil baseou-se somente na importação de material genético, resultando em ganhos genéticos de pequena magnitude para as características de interesse econômico. Dessa forma, existe a necessidade eminente de avaliações genéticas dos animais sob condições nacionais de ambiente, de maneira a se prover um aumento na produção de leite aliado à qualidade. Neste contexto, o conhecimento sobre a composição do leite é de extrema importância para o entendimento de como alguns fatores ambientais e, principalmente genéticos podem influenciar no aumento dos conteúdos de proteína (PROT), gordura (GOR) e ácidos graxos (AG) benéficos e na redução da contagem de células somáticas, visando a melhoria da qualidade nutricional deste produto. Diante disso, o objetivo desse trabalho foi predizer os teores de AG de interesse usando regressão linear bayesiana, bem como estimar componentes de variância, coeficientes de herdabilidade e comparar modelos de diferentes ordens de ajuste por meio de funções polinomiais de Legendre, sob modelos de regressão aleatória. Amostras de leite foram submetidas a análises de cromatografia gasosa e espectrometria em infravermelho médio para determinação dos ácidos graxos. A comparação dos resultados obtidos por ambos os métodos foi realizada por meio da correlação de Pearson, análise de Bland-Altman e regressão linear bayesiana e, posteriormente, equações de predição foram desenvolvidas para os ácidos graxos mirístico (C14:0) e linoléico conjugado (CLA), a partir de regressões lineares simples e múltipla bayesiana considerando-se prioris nãoinformativas e informativas. Polinômios ortogonais de Legendre de 1ª a 6ª ordens foram utilizados para o ajuste das regressões aleatórias das características. A predição dos AG por meio da aplicação da regressão linear foi viável, com erros de predição variando entre 0,01 e 4,84g por 100g de gordura para o C14:0 e 0,002 e 1,85 por 100g de gordura para o CLA, sendo neste caso os menores erros de predição obtidos quando adotada a regressão múltipla com priori não informativa. Os modelos que melhor se ajustaram para GOR, PROT, C16:0, C18:0, C18:1c9, CLA, saturados (SAT), insaturados (INSAT), monoinsaturados (MONO) e poliinsaturados (POLI) foi o de 1ª ordem, e para escore de célula somática (ESC) e C14:0 o de 2ª ordem. As estimativas de herdabilidade obtidas variaram de 0,08 a 0,11 para GOR; 0,28 a 0,35 para PROT; 0,03 a 0,22 para ECS; 0,12 a 0,31 para C16:0; 0,08 a 0,14 para C18:0; 0,24 a 0,43 para C14:0; 0,07 a 0,17 para C18:1c9; 0,13 a 0,39 para CLA; 0,14 a 0,31 para SAT; 0,04 a 0,14 para INSAT; 0,04 a 0,13 para MONO; 0,09 a 0,20 para POLI e 0,12 para PROD, nos modelos que melhor se ajustaram. Concluise que melhorias na qualidade nutricional do leite podem ser obtidas por meio da inclusão das características produtivas e do perfil de ácidos graxos em programas de seleção genética. / During the last decades, genetic improvement in dairy cattle in Brazil was based only on the importation of genetic material, resulting in small genetic gains for economic interest traits. There is a perceived need for genetic evaluation under national environment conditions to provide an increase in milk production allied to quality. In this context, the knowledge of the milk composition is very important for understanding how certain environmental factors and especially genetic factors may influence the increase in protein content (PROT), fat (FAT), beneficial fatty acids (FA) and in reducing somatic cell count, aiming to improve the nutritional quality of this product. The aim of this study was to predict the levels of interest FA using Bayesian linear regression and estimate the components of variance, coefficients of heritability and compare models with different orders of adjustment by Legendre polynomials functions, in random regression models. Milk samples were subjected to gas chromatography analysis and mid-infrared spectrometry for the determination of fatty acids. The comparison of the results obtained by both methods was performed using Pearson\'s correlation, Bland-Altman analysis and Bayesian linear regression, subsequently, prediction equations were developed for the fatty acids myristic (C14:0) and conjugated linoleic (CLA) from simple linear regressions and multiple Bayesian considering non-informative and informative priors. Legendre orthogonal polynomials from 1st to 6th orders were used to fit the random regression of the traits. That was viable the prediction of FA by applying the linear regression with prediction errors ranging from 0.01 to 4.84 g per 100 g of fat for C14:0 and 0.002 to 1.85 per 100 g of fat for CLA, in this case the smaller prediction errors obtained when adopted the multiple regression with non-informative priori. The models that best fit for FAT, PROT, C16:0, C18:0, C18:1C9, CLA, saturated (SAT), unsaturated (UNSAT), monounsaturated (MONO) and polyunsaturated (POLY) was the one of 1st order and for somatic cell scores (SCS) and C14:0 the one of 2nd order. The estimates of heritability ranged from 0.08 to 0.11 for FAT; 0.28 to 0.35 for PROT; 0.03 to 0.22 for SCS; 0.12 to 0.31 for C16:0; 0.08 to 0.14 for C18:0; 0.24 to 0.43 for C14:0; 0.07 to 0.17 for C18:1C9; 0.13 to 0.39 for CLA; 0.14 to 0.31 for SAT; 0.04 to 0.14 for UNSAT; 0.04 to 0.13 for MONO, 0.09 to 0.20 for POLY and 0.12 for PROD, in the models that best fit. We conclude that improvements in the nutritional quality of milk can be obtained through the inclusion of productive traits and fatty acid profile in genetic selection programs.

Incorporating survey weights into likelihood-based analysis is a controversial issue because the sampling weights are not simply equal to the reciprocal of selection probabilities but they are adjusted for various characteristics such as age, race, etc. Some adjustments are based on nonresponses as well. This adjustment is accomplished using a combination of probability calculations. When we build a logistic regression model to predict categorical outcomes with survey data, the sampling weights should be considered if the sampling design does not give each individual an equal chance of being selected in the sample. We rescale these weights to sum to an equivalent sample size because the variance is too small with the original weights. These new weights are called the adjusted weights. The old method is to apply quasi-likelihood maximization to make estimation with the adjusted weights. We develop a new method based on the correct likelihood for logistic regression to include the adjusted weights. In the new method, the adjusted weights are further used to adjust for both covariates and intercepts. We explore the differences and similarities between the quasi-likelihood and the correct likelihood methods. We use both binary logistic regression model and multinomial logistic regression model to estimate parameters and apply the methods to body mass index data from the Third National Health and Nutrition Examination Survey. The results show some similarities and differences between the old and new methods in parameter estimates, standard errors and statistical p-values.

This study measures resident student perceptions of on-campus living and study environments at the University of Namibia campus residence and their relation to student academic performance. Data were obtained from a stratified random sample of resident students with hostels (individual dormitory) as strata. Student academic performance was measured by grade point average obtained from the university registrar. Student perceptions of living and study environments were obtained from a survey. Inferences were made from the sample to the population concerning: student perceptions of the adequacy of the library and campus safety, and differences in perceptions between students living in old-style and new-style hostels. To relate student perceptions to academic performance, a model regressing GPA on student perception variables was constructed. The principal findings of the analyses were that (1) Student perceptions do not differ between old and new hostels; (2) There is an association between time spent in the hostel and the type of room, ability to study in room during the day and the type of room, ability to study in room at night and the type of room, time spent in hostel and number of times student change blocks, ability to study in room at night and availability of study desk in room, ability to study in room at night and availability of study lamp in room, effectiveness of UNAM security personnel and safety studying at classes at night and also between effectiveness of UNAM security personnel and student perception on whether security on campus should remain unchanged respectively; (3) Mean GPA differs with respect to the type of room, ability to study in room during the day, time spent in hostel, number of times student change blocks, current year of study, time spent on study, students who are self-catering, sufficiency of water supply in blocks and also with students who are enrolled in Law and B.Commerce field of study and with students receiving financial support in the form of loans. (4) The variables found to be significant in the regression model were Law field of study, double rooms, inability to study in room during the day and self-catering respectively.

Resíduos de medicamento veterinário podem estar presentes em produtos comestíveis de origem animal, tais como carne, leite, ovos e mel. Para assegurar que a concentração de tais resíduos não excede um limite considerado seguro (Limite Máximo de Resíduo - LMR) deve ser estabelecido o período de carência, que é o tempo que deve ser respeitado para que um animal possa ser enviado para o abate após ter recebido um dado medicamento veterinário. A estimação do período de carência usualmente é feita pelo ajuste de um modelo de regressão linear simples, seguido pelo cálculo de um limite de tolerância. Para isso, os pressupostos de homocedasticidade e de normalidade dos erros do modelo devem ser atendidos. No entanto, violações desses pressupostos são frequentes nos estudos de depleção residual. No presente trabalho foram utilizados dois bancos de dados da quantificação de resíduo de medicamento veterinário em tecidos de bovinos e o período de carência foi estimado para fígado, gordura, músculo e rins. Os modelos de regressão foram ajustados para a média dos resultados de cada animal, para a média dos resultados de cada extração analítica e para os resultados obtidos para cada réplica, sendo que para esta última situação foi ajustado um modelo de regressão linear com efeitos mistos. O modelo linear ajustado para as médias obtidas para cada extração analítica apresentou maior precisão nas estimativas dos parâmetros do modelo e também menor período de carência. No entanto, para esse modelo também foram detectados mais pontos potencialmente influentes comparado aos demais modelos ajustados. Não foi possível calcular o limite de tolerância e, consequentemente, predizer o período de carência quando utilizado o modelo com efeitos mistos. Conclui-se que a o ajuste de outros modelos estatísticos mais robustos e flexíveis deve ser considerado para a estimação do período de carência de medicamento veterinário. / Veterinary drugs residues can be found in foodstuffs of animal origin such as meat, milk, eggs and honey. In order to ensure that the concentration of these residues does not exceed a safe limit (Maximum Residue Limit - MRL) it is necessary to establish a withdrawal period, which is the waiting time necessary for an animal to be sent for slaughtering after having received a veterinary drug. The estimation of the withdrawal period is normally obtained by the fitting of a simple linear regression model, followed by the calculation of a tolerance limit. For this, the assumptions of homoscedasticity and the normality of the errors must be met. However, violations of these assumptions are frequent in the residual depletion studies. In the present study two database of the quantification of veterinary drug residue in bovine tissues were used and the withdrawal period was estimated for liver, fat, muscle and kidneys. The regression models were fitted to the mean value of the results obtained for each animal, to the mean value of the results obtained for each analytical extraction and to the results obtained for the repeated sample measurements, and a linear mixed model was fitted for this later situation. The linear model fitted to the mean value of the results obtained for each analytical extraction showed greater precision in the parameters estimates of the model as well as shorter withdrawal period. However, for this model, more potentially influential points were detected compared to other models fitted. It was not possible to calculate the tolerance limit, and, consequently, to predict the withdrawal period using the mixed effects model. In conclusion, the fitting of the other more robust and flexible statistical models should be considered for the estimation of the withdrawal period of veterinary drug.

Submitted by TÂNIA MARIA DE CARVALHO null (taniacarvalho2010@gmail.com) on 2017-02-02T19:26:12Z No. of bitstreams: 1 TESE_arquiv.pdf: 4743361 bytes, checksum: 0c094f892ee8b02e1690df7e4438651f (MD5) / Approved for entry into archive by LUIZA DE MENEZES ROMANETTO (luizamenezes@reitoria.unesp.br) on 2017-02-06T16:42:11Z (GMT) No. of bitstreams: 1 carvalho_tm_dr_bot.pdf: 4743361 bytes, checksum: 0c094f892ee8b02e1690df7e4438651f (MD5) / Made available in DSpace on 2017-02-06T16:42:11Z (GMT). No. of bitstreams: 1 carvalho_tm_dr_bot.pdf: 4743361 bytes, checksum: 0c094f892ee8b02e1690df7e4438651f (MD5) Previous issue date: 2016-12-19 / O mapa de solos é uma ferramenta essencial para o planejamento de uso da terra e estudos que envolvem aspectos ambientais relativos a esse importante recurso natural. Técnicas quantitativas e ferramentas de geoprocessamento têm sido aliadas à interpretação dos processos pedogenéticos para possibilitar a elaboração de mapas mais precisos, obtidos por processo mais rápido e menos oneroso. Dentre os modelos aplicados, os denominados modelos híbridos empregam variáveis auxiliares preditoras e autocorrelação espacial, para viabilizar a predição de atributos de solo em locais não amostrados. A iniciativa para mapeamento digital do solo em escala mundial – GlobalSoilMap.net atua no sentido de disponibilizar representações globais de atributos de solo, elaboradas por meio da aplicação de modelo híbrido em dados legados de solos, realizando a prática do Mapeamento Digital de Solos (MDS). Com base nesse princípio, esse trabalho baseou-se na hipótese de que a aplicação da técnica híbrida regressão-krigagem, utilizando dados legados de levantamento de solo e covariáveis de relevo e sensoriamento remoto proveem mapa de atributos de solo representativos de uma área da Cuesta de Botucatu. O modelo foi aplicado localmente, a duas profundidades, para representação contínua do Índice de Avermelhamento (IAV), saturação de bases (V%), teor de areia, teor de argila, CTC e pH dos solos da Fazenda Experimental Edgárdia, para a qual são disponíveis dados de levantamento de solo. As covariáveis preditoras derivadas de um MDE e de imagem orbital foram uniformizadas a uma resolução espacial de 10 m, e os métodos foram selecionados de acordo com a verificação de correlação linear significativa entre atributos e covariáveis e autocorrelação espacial dos atributos ou dos resíduos de regressões lineares múltiplas (RLM). Os dados foram separados em subconjuntos de treinamento e validação. Os coeficientes de correlação entre atributos de solo e covariáveis foram significativos e variaram de -0,40 a 0,51. Os preditores mais correlacionados aos atributos foram Índice Topográfico de Umidade (ITU), Declividade (Decl), Aspecto (Aspc), Elevação (Elev) e índice de vegetação NDVI, sendo os quatro últimos os principais na estimação das frações texturais. Os valores de R² ajustado das RLM, entre 0,10 e 0,36, foram considerados baixos. De modo geral, os mapas de predição expuseram padrões característicos da variação espacial observada nos mapas das covariáveis preditoras, usadas na calibração dos modelos. Foi observado um incremento na acurácia entre as duas etapas do processo de RK, indicando que o mapa final é superior em relação à RLM. No entanto, os modelos apresentaram, de modo geral, um baixo desempenho quando avaliados por meio de validação externa, mesmo com a estratificação em duas áreas mais uniformes em termos de relevo. Os resultados indicaram a limitação do uso de amostragem para fins de levantamento em modelos de predição. Houve ainda dificuldade de aplicação dos modelos em função do contexto litológico complexo e da dinâmica local de formação de solos, que não puderam ser detectadas pelas covariáveis selecionadas. Apesar das limitações, os mapas de predição apresentaram coerência com o conhecimento relativo aos atributos, nas condições locais. / The soil map is an essential tool for land use planning and studies related to environmental aspects of this important natural resource. Quantitative techniques and geoprocessing tools are currently combined with the interpretation of pedogenic processes to enable the development of more accurate maps obtained by faster and less costly process. Among the models applied to it, the hybrid models employ predictive auxiliary variables and spatial autocorrelation, to enable the prediction of soil attributes in unsampled locations. The digital soil mapping worldwide project – GlobalSoilMap.net acts in order to provide global representations of soil attributes developed through the application of hybrid model in legacy soil data, performing the practice of Digital Soil Mapping (MDS). This work was based on the assumption that the application of the hybrid technique of regression-kriging (RK), using legacy data of soil survey and covariates of relief and remote sensing provide representative map of soil attributes of an area in Cuesta of Botucatu. The goal was to apply locally, in two depths, prediction models and continuous representation of Soil Redness Index (IAV), base saturation index (V%), sand content and clay content, cation-exchange capacity (CTC) and pH of the soils in Edgardia Experimental Farm, for which are available soil survey data. The predictor covariates were derived from an Digital Elevation Model (MDE) and an orbital image. They were all standardized at spatial resolution of 10 m, the methods were selected by checking significant linear correlation between attributes and covariates and spatial autocorrelation of attributes or residues of multiple linear regressions (RLM). The data were separated into training and validation subsets. The correlation coefficients (r) between soil attributes and covariates were significant and ranged from -0.40 to 0.51. The predictors more correlated to attributes were topographic wetness index (ITU), slope (Decl), aspect (Aspc), elevation (Elev) and vegetation index (NDVI), and the last four are key definers of granulometric fractions. The values of adjusted R² of RLM were between 0.10 and 0.36, which is considered low. In general, the prediction maps exhibited characteristic patterns of spatial variation observed in the covariates maps, used in the calibration of the models. An increase in accuracy was observed between the two steps of the modeling process by RK, indicating that the final map is better than the RLM. However, the models showed generally low performance, and did not provide good results when evaluated by external validation and even if the area was stratified in two smaller plots, with more homogeneous relief. The results indicated the restricted use of soil survey sampling in prediction models, and the difficulty of applying MDS in areas with complex lithology, especially where the correlation between local dynamics of soil genesis and selected covariates are not strong. Despite the limitations, the prediction maps were consistent with knowledge about soil properties in local conditions.

Resíduos de medicamento veterinário podem estar presentes em produtos comestíveis de origem animal, tais como carne, leite, ovos e mel. Para assegurar que a concentração de tais resíduos não excede um limite considerado seguro (Limite Máximo de Resíduo - LMR) deve ser estabelecido o período de carência, que é o tempo que deve ser respeitado para que um animal possa ser enviado para o abate após ter recebido um dado medicamento veterinário. A estimação do período de carência usualmente é feita pelo ajuste de um modelo de regressão linear simples, seguido pelo cálculo de um limite de tolerância. Para isso, os pressupostos de homocedasticidade e de normalidade dos erros do modelo devem ser atendidos. No entanto, violações desses pressupostos são frequentes nos estudos de depleção residual. No presente trabalho foram utilizados dois bancos de dados da quantificação de resíduo de medicamento veterinário em tecidos de bovinos e o período de carência foi estimado para fígado, gordura, músculo e rins. Os modelos de regressão foram ajustados para a média dos resultados de cada animal, para a média dos resultados de cada extração analítica e para os resultados obtidos para cada réplica, sendo que para esta última situação foi ajustado um modelo de regressão linear com efeitos mistos. O modelo linear ajustado para as médias obtidas para cada extração analítica apresentou maior precisão nas estimativas dos parâmetros do modelo e também menor período de carência. No entanto, para esse modelo também foram detectados mais pontos potencialmente influentes comparado aos demais modelos ajustados. Não foi possível calcular o limite de tolerância e, consequentemente, predizer o período de carência quando utilizado o modelo com efeitos mistos. Conclui-se que a o ajuste de outros modelos estatísticos mais robustos e flexíveis deve ser considerado para a estimação do período de carência de medicamento veterinário. / Veterinary drugs residues can be found in foodstuffs of animal origin such as meat, milk, eggs and honey. In order to ensure that the concentration of these residues does not exceed a safe limit (Maximum Residue Limit - MRL) it is necessary to establish a withdrawal period, which is the waiting time necessary for an animal to be sent for slaughtering after having received a veterinary drug. The estimation of the withdrawal period is normally obtained by the fitting of a simple linear regression model, followed by the calculation of a tolerance limit. For this, the assumptions of homoscedasticity and the normality of the errors must be met. However, violations of these assumptions are frequent in the residual depletion studies. In the present study two database of the quantification of veterinary drug residue in bovine tissues were used and the withdrawal period was estimated for liver, fat, muscle and kidneys. The regression models were fitted to the mean value of the results obtained for each animal, to the mean value of the results obtained for each analytical extraction and to the results obtained for the repeated sample measurements, and a linear mixed model was fitted for this later situation. The linear model fitted to the mean value of the results obtained for each analytical extraction showed greater precision in the parameters estimates of the model as well as shorter withdrawal period. However, for this model, more potentially influential points were detected compared to other models fitted. It was not possible to calculate the tolerance limit, and, consequently, to predict the withdrawal period using the mixed effects model. In conclusion, the fitting of the other more robust and flexible statistical models should be considered for the estimation of the withdrawal period of veterinary drug.

Work zone tends to cause hazardous conditions for drivers and construction workers since work zones generate conflicts between construction activities and the traffic, therefore aggravate the existing traffic conditions and result in severe traffic safety and operational problems. To address the influence of various factors on the crash severity is beneficial to understand the characteristics of work zone crashes. The understanding can be used to select proper countermeasures for reducing the crash severity at work zones and improving work zone safety. In this dissertation, crash severity models were developed to explore the factor impacts on crash severity for two work zone crash datasets (overall crashes and rear-end crashes). Partial proportional odds logistic regression, which has less restriction to the parallel regression assumption and provides more reasonable interpretations of the coefficients, was used to estimate the models. The factor impacts were summarized to indicate which factors are more likely to increase work zone crash severity or which factors tends to reduce the severity. Because the speed variety is an important factor causing accidents at work zone area, the work zone speed profile was analyzed and modeled to predict the distribution of speed along the distance to the starting point of lane closures. A new learning machine algorithm, support vector regression (SVR), was utilized to develop the speed profile model for freeway work zone sections under various scenarios since its excellent generalization ability. A simulation-based experiment was designed for producing the speed data (output data) and scenario data (input data). Based on these data, the speed profile model was trained and validated. The speed profile model can be used as a reference for designing appropriate traffic control countermeasures to improve the work zone safety.

Finite Mixture model has been studied for a long time, however, traditional methods assume that the variables are measured without error. Mixtures-of-regression model with measurement error imposes challenges to the statisticians, since both the mixture structure and the existence of measurement error can lead to inconsistent estimate for the regression coefficients. In order to solve the inconsistency, We propose series of methods to estimate the mixture likelihood of the mixtures-of-regressions model when there is measurement error, both in the responses and predictors. Different estimators of the parameters are derived and compared with respect to their relative efficiencies. The simulation results show that the proposed estimation methods work well and improve the estimating process.