Neste trabalho de tese propomos um modelo de regressão beta com erros de medida. Esta proposta é uma área inexplorada em modelos não lineares na presença de erros de medição. Abordamos metodologias de estimação, como máxima verossimilhança aproximada, máxima pseudo-verossimilhança aproximada e calibração da regressão. O método de máxima verossimilhança aproximada determina as estimativas maximizando diretamente o logaritmo da função de verossimilhança. O método de máxima pseudo-verossimilhança aproximada é utilizado quando a inferência em um determinado modelo envolve apenas alguns mas não todos os parâmetros. Nesse sentido, dizemos que o modelo apresenta parâmetros de interesse como também de perturbação. Quando substituímos a verdadeira covariável (variável não observada) por uma estimativa da esperança condicional da variável não observada dada a observada, o método é conhecido como calibração da regressão. Comparamos as metodologias de estimação mediante um estudo de simulação de Monte Carlo. Este estudo de simulação evidenciou que os métodos de máxima verossimilhança aproximada e máxima pseudo-verossimilhança aproximada tiveram melhor desempenho frente aos métodos de calibração da regressão e naïve (ingênuo). Utilizamos a linguagem de programação Ox (Doornik, 2011) como suporte computacional. Encontramos a distribuição assintótica dos estimadores, com o objetivo de calcular intervalos de confiança e testar hipóteses, tal como propõem Carroll et. al.(2006, Seção A.6.6), Guolo (2011) e Gong e Samaniego (1981). Ademais, são utilizadas as estatísticas da razão de verossimilhanças e gradiente para testar hipóteses. Num estudo de simulação realizado, avaliamos o desempenho dos testes da razão de verossimilhanças e gradiente. Desenvolvemos técnicas de diagnóstico para o modelo de regressão beta com erros de medida. Propomos o resíduo ponderado padronizado tal como definem Espinheira (2008) com o objetivo de verificar as suposições assumidas ao modelo e detectar pontos aberrantes. Medidas de influência global, tais como a distância de Cook generalizada e o afastamento da verossimilhança, são utilizadas para detectar pontos influentes. Além disso, utilizamos a técnica de influência local conformal sob três esquemas de perturbação (ponderação de casos, perturbação da variável resposta e perturbação da covariável com e sem erros de medida). Aplicamos nossos resultados a dois conjuntos de dados reais para exemplificar a teoria desenvolvida. Finalmente, apresentamos algumas conclusões e possíveis trabalhos futuros. / In this thesis, we propose a beta regression model with measurement error. Among nonlinear models with measurement error, such a model has not been studied extensively. Here, we discuss estimation methods such as maximum likelihood, pseudo-maximum likelihood, and regression calibration methods. The maximum likelihood method estimates parameters by directly maximizing the logarithm of the likelihood function. The pseudo-maximum likelihood method is used when the inference in a given model involves only some but not all parameters. Hence, we say that the model under study presents parameters of interest, as well as nuisance parameters. When we replace the true covariate (observed variable) with conditional estimates of the unobserved variable given the observed variable, the method is known as regression calibration. We compare the aforementioned estimation methods through a Monte Carlo simulation study. This simulation study shows that maximum likelihood and pseudo-maximum likelihood methods perform better than the calibration regression method and the naïve approach. We use the programming language Ox (Doornik, 2011) as a computational tool. We calculate the asymptotic distribution of estimators in order to calculate confidence intervals and test hypotheses, as proposed by Carroll et. al (2006, Section A.6.6), Guolo (2011) and Gong and Samaniego (1981). Moreover, we use the likelihood ratio and gradient statistics to test hypotheses. We carry out a simulation study to evaluate the performance of the likelihood ratio and gradient tests. We develop diagnostic tests for the beta regression model with measurement error. We propose weighted standardized residuals as defined by Espinheira (2008) to verify the assumptions made for the model and to detect outliers. The measures of global influence, such as the generalized Cook\'s distance and likelihood distance, are used to detect influential points. In addition, we use the conformal approach for evaluating local influence for three perturbation schemes: case-weight perturbation, respose variable perturbation, and perturbation in the covariate with and without measurement error. We apply our results to two sets of real data to illustrate the theory developed. Finally, we present our conclusions and possible future work.

Submitted by Livia Mello (liviacmello@yahoo.com.br) on 2016-09-23T19:10:12Z No. of bitstreams: 1 TeseEBS.pdf: 936379 bytes, checksum: a7cd0812b331249755b7a9df5447e035 (MD5) / Approved for entry into archive by Marina Freitas (marinapf@ufscar.br) on 2016-10-10T14:48:37Z (GMT) No. of bitstreams: 1 TeseEBS.pdf: 936379 bytes, checksum: a7cd0812b331249755b7a9df5447e035 (MD5) / Approved for entry into archive by Marina Freitas (marinapf@ufscar.br) on 2016-10-10T14:48:44Z (GMT) No. of bitstreams: 1 TeseEBS.pdf: 936379 bytes, checksum: a7cd0812b331249755b7a9df5447e035 (MD5) / Made available in DSpace on 2016-10-10T14:48:50Z (GMT). No. of bitstreams: 1 TeseEBS.pdf: 936379 bytes, checksum: a7cd0812b331249755b7a9df5447e035 (MD5) Previous issue date: 2016-02-04 / Não recebi financiamento / In regression models in which a covariate is measured with error, it is common to use structures that correlate the observed covariate with the true non-observed covariate. Such structures are usually additive or multiplicative. In the literature there are several interesting works that deal with regression models having an additive measurement error, many of which are linear models with covariate and measurement error normally distributed. For models having a multiplicative measurement error, one does not find in the literature the same theoretical amount of works as one finds for models in which the measurement error is additive. The same happens in situations where the supositions of normality for the covariates and the measurement errors do not apply. The present work proposes the construction, definition, estimation methods, and diagnostic analysis for the regression models with a multiplicative measurement error in one of the covariates. For these models it is considered that the response variable may belong either to the class of modified power series regression models or to the exponential family. The list of distributions belonging to the family modified power series is rather comprehensive; for this reason this work develops, firstly and in a general way, the models estimation and validation theory, and, as an example, presents the model of negative binomial regression with measurement error. In the case where the response variable belongs to the exponential family, the model of beta regression with multiplicative measurement error is presented. All proposed models were analysed through simulation studies and applied to real data sets. / Em modelos de regressão em que uma covariável é medida com erro, é comum o uso de estruturas que relacionam a covariável observada com a verdadeira covariável não observada. Essas estruturas são usualmente aditivas ou multiplicativas. Na literatura existem diversos trabalhos interessantes que tratam de modelos de regressão com erro de medida aditivo, muitos dos quais são modelos lineares com covariáveis e erro de medida normalmente distribuídos. Para modelos em que o erro de medida é multiplicativo, não se encontra na literatura o mesmo desenvolvimento teórico encontrado para modelos em que o erro de medida é aditivo. O mesmo vale para situações em que as suposições de normalidade para as covariáveis e erro de medida não se aplicam. Este trabalho propõe a construção, definição, métodos de estimação e análise de diagnóstico para modelos de regressão com erro de medida multiplicativo em uma das covariáveis. Para esses modelos, consideramos que a variável resposta possa pertencer ou à classe de modelos de regressão série de potências modificadas ou à família exponencial. O rol de distribuições pertencentes à família série de potências modificada é bem abrangente, portanto, neste trabalho, desenvolvemos a teoria de estimação e validação do modelo primeiramente de forma geral e, para exemplificar, apresentamos o modelo de regressão binomial negativa com erro de medida. Para o caso em que a variável resposta pertença à família exponencial, apresentamos o modelo de regressão beta com erro de medida multiplicativo. Todos os modelos propostos foram analisados através de estudos de simulação e aplicados a conjuntos de dados reais.

Submitted by Luciana Sebin (lusebin@ufscar.br) on 2016-09-30T12:41:21Z No. of bitstreams: 1 DissJSR.pdf: 1876095 bytes, checksum: c73d62c08322c1ffad6e30271b52d706 (MD5) / Approved for entry into archive by Marina Freitas (marinapf@ufscar.br) on 2016-10-13T20:40:15Z (GMT) No. of bitstreams: 1 DissJSR.pdf: 1876095 bytes, checksum: c73d62c08322c1ffad6e30271b52d706 (MD5) / Approved for entry into archive by Marina Freitas (marinapf@ufscar.br) on 2016-10-13T20:40:24Z (GMT) No. of bitstreams: 1 DissJSR.pdf: 1876095 bytes, checksum: c73d62c08322c1ffad6e30271b52d706 (MD5) / Made available in DSpace on 2016-10-13T20:40:33Z (GMT). No. of bitstreams: 1 DissJSR.pdf: 1876095 bytes, checksum: c73d62c08322c1ffad6e30271b52d706 (MD5) Previous issue date: 2016-03-10 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Residuals play an important role in checking model adequacy and in the identi cation of outliers and in uential observations. In this paper, we studied two class of residuals for the zero adjusted gamma regression model (ZAGA) and the zero adjusted inverse Gaussian regression model (ZAIG). These classes of residuals are function of a residual for the continuous component of the model and the maximum likelihood estimate of the probability of the observation assuming the zero value. Monte Carlo simulation studies are performed to examine the properties of this class of residuals in both models (ZAGA and ZAIG). Results showed that a residual of one of these class has some similar properties to the standard normal distribution in the studied models. We also described ZAGA and ZAIG regression models, studied properties of some residuals in generalized linear models with response gamma and inverse Gaussian and discussed other aspects of diagnostic analysis in ZAGA and ZAIG models. To nsih, we presented a real dataset application from investment funds of Brazil. We tted the ZAIG model to illustrate the topics discussed and showed the importance of these models and the advantages of one of the studied residuals in the analysis of real dataset. / Resíduos desempenham um papel importante na veri cação do ajuste do modelo e na identi cação de observações discrepantes e/ou in uentes. Neste trabalho, estudamos duas classes de resíduos para os modelos de regressão gama in acionados no zero (ZAGA) e gaussiana inversa in acionados no zero (ZAIG). Essas classes de resíduos são uma função de um resíduo para o componente contínuo do modelo e da estimativa de máxima verossimilhança da probabilidade da observação assumir o valor zero. Estudos de simulação de Monte Carlo foram realizados para examinar as propriedades dessas classes de resíduos em ambos os modelos de regressão (ZAGA e ZAIG). Os resultados mostraram que um resíduo de uma dessas classes tem algumas propriedades semelhantes à da distribuição normal padrão nos modelos estudados. Além desse objetivo principal, descrevemos os modelos de regressão ZAGA e ZAIG, estudamos propriedades de alguns resíduos em modelos lineares generalizados com resposta gama e gaussiana inversa e discutimos outros aspectos de análise de diagnóstico nos modelos ZAGA e ZAIG. Para nalizar, foi feita uma aplicação com dados reais de fundos de investimentos, em que ajustamos o modelo ZAIG, para exempli car os tópicos discutidos e mostrar a importância desses modelos e as vantagens de um dos resíduos estudados na análise de dados reais.

Submitted by Aelson Maciera (aelsoncm@terra.com.br) on 2017-04-24T18:48:10Z No. of bitstreams: 1 TeseJSL.pdf: 1918523 bytes, checksum: 4d551d58b97032091209f65b7428e992 (MD5) / Approved for entry into archive by Ronildo Prado (ronisp@ufscar.br) on 2017-04-25T18:50:15Z (GMT) No. of bitstreams: 1 TeseJSL.pdf: 1918523 bytes, checksum: 4d551d58b97032091209f65b7428e992 (MD5) / Approved for entry into archive by Ronildo Prado (ronisp@ufscar.br) on 2017-04-25T18:50:23Z (GMT) No. of bitstreams: 1 TeseJSL.pdf: 1918523 bytes, checksum: 4d551d58b97032091209f65b7428e992 (MD5) / Made available in DSpace on 2017-04-25T18:59:25Z (GMT). No. of bitstreams: 1 TeseJSL.pdf: 1918523 bytes, checksum: 4d551d58b97032091209f65b7428e992 (MD5) Previous issue date: 2017-01-09 / Não recebi financiamento / In this thesis we propose models based on a reparameterized Birnbaum-Saunder (BS) distribution introduced by Santos-Neto et al. (2012) and Santos-Neto et al. (2014), to analyze survival data. Initially we introduce the Birnbaum-Saunders frailty model where we analyze the cases (i) with (ii) without covariates. Survival models with frailty are used when further information is nonavailable to explain the occurrence time of a medical event. The random effect is the “frailty”, which is introduced on the baseline hazard rate to control the unobservable heterogeneity of the patients. We use the maximum likelihood method to estimate the model parameters. We evaluate the performance of the estimators under different percentage of censured observations by a Monte Carlo study. Furthermore, we introduce a Birnbaum-Saunders regression frailty model where the maximum likelihood estimation of the model parameters with censored data as well as influence diagnostics for the new regression model are investigated. In the following we propose a cure rate Birnbaum-Saunders frailty model. An important advantage of this proposed model is the possibility to jointly consider the heterogeneity among patients by their frailties and the presence of a cured fraction of them. We consider likelihood-based methods to estimate the model parameters and to derive influence diagnostics for the model. In addition, we introduce a bivariate Birnbaum-Saunders distribution based on a parameterization of the Birnbaum-Saunders which has the mean as one of its parameters. We discuss the maximum likelihood estimation of the model parameters and show that these estimators can be obtained by solving non-linear equations. We then derive a regression model based on the proposed bivariate Birnbaum-Saunders distribution, which permits us to model data in their original scale. A simulation study is carried out to evaluate the performance of the maximum likelihood estimators. Finally, examples with real-data are performed to illustrate all the models proposed here. / Nesta tese propomos modelos baseados na distribuição Birnbaum-Saunders reparametrizada introduzida por Santos-Neto et al. (2012) e Santos-Neto et al. (2014), para análise dados de sobrevivência. Incialmente propomos o modelo de fragilidade Birnbaum-Saunders sem e com covariáveis observáveis. O modelo de fragilidade é caracterizado pela utilização de um efeito aleatório, ou seja, de uma variável aleatória não observável, que representa as informações que não podem ou não foram observadas tais como fatores ambientais ou genéticos, como também, informações que, por algum motivo, não foram consideradas no planejamento do estudo. O efeito aleatório (a “fragilidade”) é introduzido na função de risco de base para controlar a heterogeneidade não observável. Usamos o método de máxima verossimilhança para estimar os parâmetros do modelo. Avaliamos o desempenho dos estimadores sob diferentes percentuais de censura via estudo de simulações de Monte Carlo. Considerando variáveis regressoras, derivamos medidas de diagnóstico de influência. Os métodos de diagnóstico têm sido ferramentas importantes na análise de regressão para detectar anomalias, tais como quebra das pressuposições nos erros, presença de outliers e observações influentes. Em seguida propomos o modelo de fração de cura com fragilidade Birnbaum-Saunders. Os modelos para dados de sobrevivência com proporção de curados (também conhecidos como modelos de taxa de cura ou modelos de sobrevivência com longa duração) têm sido amplamente estudados. Uma vantagem importante do modelo proposto é a possibilidade de considerar conjuntamente a heterogeneidade entre os pacientes por suas fragilidades e a presença de uma fração curada. As estimativas dos parâmetros do modelo foram obtidas via máxima verossimilhança, medidas de influência e diagnóstico foram desenvolvidas para o modelo proposto. Por fim, avaliamos a distribuição bivariada Birnbaum-Saunders baseada na média, como também introduzimos um modelo de regressão para o modelo proposto. Utilizamos os métodos de máxima verossimilhança e método dos momentos modificados, para estimar os parâmetros do modelo. Avaliamos o desempenho dos estimadores via estudo de simulações de Monte Carlo. Aplicações a conjuntos de dados reais ilustram as potencialidades dos modelos abordados.

Submitted by (ana.araujo@ufrpe.br) on 2016-05-20T14:30:00Z No. of bitstreams: 1 Andrea Andrade Prudente.pdf: 1364424 bytes, checksum: 52db48248a4f42fd96b6ee53463083eb (MD5) / Made available in DSpace on 2016-05-20T14:30:00Z (GMT). No. of bitstreams: 1 Andrea Andrade Prudente.pdf: 1364424 bytes, checksum: 52db48248a4f42fd96b6ee53463083eb (MD5) Previous issue date: 2009-03-18 / Conselho Nacional de Pesquisa e Desenvolvimento Científico e Tecnológico - CNPq / The main objective in this dissertation is to derive expressions for the second-order biases of the maximum likelihood estimators of the parameters of the Weibull generalized linear model (WGLM), which are useful to define corrected estimators. In order to reduce the bias of these estimators in finite sample sizes, the method of bias correction introduced by Cox and Snell (1968) was used. The new model adopts a link function which relates the vector of scale parameters of the Weibull distribution to a linear predictor. As a second objective, a revision of the normal non-linear models was also presented, including the method of least squares for estimating the parameters, some asymptotic results, measures of nonlinearity and diagnostic techniques, because in contrast to linear models, quality and, especially, the validity of their fits are evaluated not only by means of regression diagnostics, but also with the extent of the non-linear behavior. Finally, a brief description of generalized linear models (GLM) is given and the applicability of the model range. Real data sets were analyzed to demonstrate the applicability of the proposed models. These tests were conducted in the R environment for programming, data analysis, andgraphics. / Esta dissertação tem como objetivo principal apresentar expressões para os vieses de segunda ordem dos estimadores de máxima verossimilhança dos parâmetros do modelo linear generalizado de Weibull (MLGW), utilizando-as para obter estimadores corrigidos. Com o intuito de reduzir os vieses destes estimadores, em amostras de tamanho finito, utilizou-se a correção do viés pelo uso da equação de Cox e Snell (1968). Esse modelo permite a utilização de uma função de ligação para relacionar o vetor dos parâmetros de escala da distribuição de Weibull (parte da média) ao preditor linear. Um objetivo secundário foi revisar os modelos normais não-lineares, contemplando o método de mínimos quadrados para estimação dos seus parâmetros, alguns resultados assintóticos, medidas de não-linearidade e técnicas de diagnóstico, pois ao contrário dos modelos lineares, a qualidade e, principalmente, a validade dos seus ajustes são avaliadas não só por meio de diagnósticos de regressão, mas pela extensão do comportamento nãolinear. Por fim, foi apresentada, também, uma sucinta descrição dos modelos lineares generalizados (MLG) e a aplicabilidade do modelo gama. Dados reais foram analisados para demonstrar a aplicabilidade dos modelos propostos. Estas análises foram realizadas no ambiente de programação, análise de dados e gráficos R.