Submitted by Lúcia Brandão (lucia.elaine@live.com) on 2015-12-14T14:04:18Z No. of bitstreams: 1 Dissertacão - Silvia Viviane Oliveira Carvalho.pdf: 2435624 bytes, checksum: 82c054d6eb1b1cabb4d70ff87d47244f (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2016-01-20T15:03:47Z (GMT) No. of bitstreams: 1 Dissertacão - Silvia Viviane Oliveira Carvalho.pdf: 2435624 bytes, checksum: 82c054d6eb1b1cabb4d70ff87d47244f (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2016-01-20T15:06:49Z (GMT) No. of bitstreams: 1 Dissertacão - Silvia Viviane Oliveira Carvalho.pdf: 2435624 bytes, checksum: 82c054d6eb1b1cabb4d70ff87d47244f (MD5) / Made available in DSpace on 2016-01-20T15:06:49Z (GMT). No. of bitstreams: 1 Dissertacão - Silvia Viviane Oliveira Carvalho.pdf: 2435624 bytes, checksum: 82c054d6eb1b1cabb4d70ff87d47244f (MD5) Previous issue date: 2014-05-07 / Não informada / In this work we develop an extension of the classic factor analysis model, by relaxing the assumption of normality of the factors. Instead, we suppose that the joint distribution of the factors and observational errors is a scale mixture of skew-normal distributions, allowing us to model data following a nonstandard pattern, presenting skewness and heavy tails at the same time. A relevant feature of the model is the parametrization used for the scale mixture, defined in such a way that all the elements of the shape vector but the first are guaranteed to be zero. / Apresenta-se, nesta dissertação, uma extensão do modelo de análise fatorial, através da flexibilização da suposição de normalidade dos fatores e dos erros de observação. Assume-se que a distribuição conjunta do vetor de erros de observação e do vetor de fatores é uma mistura de escala da distribuição normal assimétrica, o que possibilita a modelagem de dados que seguem um padrão não usual, apresentado assimetria e caudas pesadas ao mesmo tempo, por exemplo. Uma característica relevante do modelo é a parametrização utilizada para a mistura de escala, definida de tal maneira que os elementos do parâmetro vetor de forma, com exceção de um, sejam todos iguais a zero.

Submitted by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2018-05-29T14:38:33Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) VersaoFinal.pdf: 2882901 bytes, checksum: a35c6d27fe0f9aa61dfe3a96244b3140 (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2018-05-29T14:38:46Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) VersaoFinal.pdf: 2882901 bytes, checksum: a35c6d27fe0f9aa61dfe3a96244b3140 (MD5) / Made available in DSpace on 2018-05-29T14:38:46Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) VersaoFinal.pdf: 2882901 bytes, checksum: a35c6d27fe0f9aa61dfe3a96244b3140 (MD5) Previous issue date: 2018-03-12 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / The traditional estimation of mixture regression models is based on the assumption of normality of component errors and thus is sensitive to outliers, heavy-tailed and/or asymmetric errors. Another drawback is that, in general, the analysis is restricted to directly observed predictors. We present a proposal to deal with these issues simultaneously in the context of mixture regression by extending the classic normal model by assuming that, for each mixture component, the random errors and the covariates jointly follow a scale mixture of skew-normal distributions. It is also assumed that the covariates are observed with error. An MCMC-type algorithm to perform Bayesian inference is developed and, in order to show the efficacy of the proposed methods, simulated and real data sets are analyzed. / A estimação tradicional em mistura de modelos de regressão é baseada na suposição de normalidade para os erros aleatórios, sendo assim, sensível a outliers, caudas pesadas e erros assimétricos. Outra desvantagem é que, em geral, a análise é restrita a preditores que são observados diretamente. Apresentamos uma proposta para lidar com estas questões simultaneamente no contexto de mistura de regressões estendendo o modelo normal clássico. Assumimos que, conjuntamente e em cada componente da mistura, os erros aleatórios e as covariáveis seguem uma mistura de escala da distribuição normal assimétrica. Além disso, é feita a suposição de que as covariáveis são observadas com erro aditivo. Um algorítmo do tipo MCMC foi desenvolvido para realizar inferência Bayesiana. A eficácia do modelo proposto é verificada via análises de dados simulados e reais.