Made available in DSpace on 2014-06-12T18:06:15Z (GMT). No. of bitstreams: 2 arquivo7253_1.pdf: 573098 bytes, checksum: b629eacebc3655d6a473531ecdcde631 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2003 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Técnicas clássicas de regressão linear assumem que os erros, que representam a componente aleatória do modelo, têm variância constante, ou seja, assumem homoscedasticidade. Contudo, esta suposição é bastante forte e, em uma relevante parte dos problemas práticos, muito pouco razoável. A presente dissertação considera a estimação consistente da matriz de covariâncias do estimador de mínimos quadrados ordinários em um modelo de regressão linear sob heteroscedasticidade de forma desconhecida. O estimador mais usado é aquele proposto por Halbert White, conhecido como HC0. Consideramos também outros estimadores consistentes, a saber: o estimador HC3, que é uma aproximação do estimador jackknife, e o estimador HC4 proposto por Cribari Neto (2004), que leva em consideração ao o efeito de pontos de alta alavancagem em amostras finitas. Dois estimadores consistentes obtidos a partir de esquemas de reamostragem de bootstrap são também considerados. Nós propomos, com base no estimador HC4, um novo estimador: HC5. Este estimador é o primeiro estimador na classe dos estimadores consistentes da matriz de covariâncias do estimador de mínimos quadrados a incorporar termos de descontos que se ajustam a variações no grau máximo de alavancagem dos dados. Nós apresentamos resultados de simulação de Monte Carlo sobre o desempenho de testes quasi-t cujas estatísticas são baseadas nos diferentes estimadores consistentes. A avaliação é realizada tanto sob homoscedasticidade quanto sob heteroscedasticidade e os resultados revelam que o teste construído a partir do estimador HC5 tipicamente apresenta desempenho superior aos demais testes considerados. No que se refere a inferência via bootstrap, há muito pouco ganho em amostras finitas em se usar o esquema de reamostragem de bootstrap ponderado para realizar testes bootstrap, estimando-se valores p ou valores críticos, ao invés de se utilizar o bootstrap ponderado para estimação de erros-padrão a serem utilizados em estatísticas de teste convencionais. Nossos resultados também revelam que a presença de pontos de alta alavancagem exerce um papel importante no desempenho dos diferentes estimadores consistentes em amostras de tamanho típico. Algumas aplicações empíricas são, por fim, apresentadas

Made available in DSpace on 2014-06-12T18:02:28Z (GMT). No. of bitstreams: 2 arquivo3869_1.pdf: 3556676 bytes, checksum: 17537ff04334ef87759704c3ea1be918 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2009 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / É prática comum em estudos empíricos a realização de inferências sobre os parâmetros que indexam o modelo linear de regressão com base no estimador de mínimos quadrados ordinários (EMQO) mesmo quando se suspeita da presença de heteroscedasticidade. Nesse caso, utilizam-se estimativas assintoticamente válidas das variâncias dos estimadores no processo inferencial. Na presente dissertação, nós utilizamos integração numérica para avaliar os desempenhos de testes quase-t realizados segundo essa estratégia. Nós propomos ainda um novo estimador consistente de variâncias e covariâncias, denotado por HC4m. Esse estimador é uma versão modificada do estimador HC4. Nós propomos ainda uma versão modificada do estimador HC5: HC5m. A evidência numérica sugere que testes baseados nos estimadores propostos são tipicamente mais confiáveis que testes baseados em estimadores alternativos

Made available in DSpace on 2014-06-12T18:04:55Z (GMT). No. of bitstreams: 2 arquivo7224_1.pdf: 525997 bytes, checksum: ea1f4ea6f794869a057cba1cfbc27319 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2002 / Heteroscedasticidade é uma caracterísstica comumente encontrada em dados de corte transversal. Vários autores têm estudado o comportamento de estimadores consistentes da matriz de covariâncias do estimador de mínimos quadrados ordinánarios dos parâmetros lineares de regressão quando há heteroscedasticidade de forma desconhecida. Entre os estimadores propostos e estudados encontram-se aqueles conhecidos como HC0 (proposto por Halbert White em 1980), HC1, HC2 e HC3. Resultados de simulacão em alguns artigos favorecemo estimador HC3 ou aproximações deste estimador; ver, por exemplo, MacKinnon & White (1985). Cribari Neto & Galvão (2002), a partir dos resultados em Galvão (2000), generalizaram os resultados obtidos por Cribari Neto, Ferrari & Cordeiro (2000), obtendo uma seqüência de estimadores ajustados por viés que pode ser inicializada em qualquer dos quatros estimadores listados acima. A presente dissertação utiliza integração ao numérica para obter resultados exatos sobre a qualidade da proximação de primeira ordem usada em testes quase t cujas estatísticas utilizam estimativas consistentes da variância do estimador de mínimos quadrados ordinários. Os resultados obtidos mostram que o teste que mais se beneficia de usar estimadores corrigidos por viés é aquele cuja estatística de teste é construída usando o estimador HC0. Adicionalmente, a utilização de estimativas da variância do tipo HC3 corrigidas por viés conduz a testes menos precisos, ao invés de conduzir a testes com menor distorção de tamanho. Por fim, mostra-se que a estratégia de inferência a ser preferida é a utilização de estimadores HC3 sem correção de viés

Submitted by Haroudo Xavier Filho (haroudo.xavierfo@ufpe.br) on 2016-02-23T17:50:58Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Dissertação_wanessa_cd.pdf: 804330 bytes, checksum: c0fbb3cc28dd1681f8de342fc6d5bfc8 (MD5) / Made available in DSpace on 2016-02-23T17:50:58Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Dissertação_wanessa_cd.pdf: 804330 bytes, checksum: c0fbb3cc28dd1681f8de342fc6d5bfc8 (MD5) Previous issue date: 2015-07-09 / FACEPE / O modelo linear de regressão é amplamente utilizado em aplicações práticas. Duas suposições que são comumente violadas são as de homoscedasticidade e não autocorrelação. Vários autores avaliaram os desempenhos de testes que usam erros-padrão consistentes quando há heteroscedasticidade de forma desconhecida. Na presente dissertação nós avaliamos os desempenhos de tais testes quando adicionalmente há correlação serial nos erros. Várias simulações de Monte Carlo foram realizadas em que os desempenhos de diferentes testes são avaliados tanto sob a hipótese nula quanto sob a hipótese alternativa. Uma aplicação prática é apresentada e discutida. / The linear regression model is commonly used by practitioners. Two assumptions are commonly violated, namely: homoskedasticity and no autocorrelation. Several authors have investigated the finite sample behavior of tests that use heteroskedasticity-consistent standard errors. In this thesis, we numerically evaluate the finite sample behavior of such tests under heteroskedasticity and autocorrelation. Monte Carlo simulation results under both the null and alternative hipotheses are presented. We also present and discuss an empirical application.

Made available in DSpace on 2014-06-12T18:01:26Z (GMT). No. of bitstreams: 2 arquivo629_1.pdf: 8491612 bytes, checksum: a0489fe05bed13111bee7f2e6ac4da2e (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2011 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / A análise de regressão é uma das técnicas estatísticas mais usadas. Nesta tese são abordados modelos de regressão linear e modelos de regressão beta ambos com dispersão variável. Na primeira etapa da tese, apresentamos o modelo de regressão linear, e na segunda, o modelo de regressão beta. Sob as pressuposições usuais estabelecidas para o modelo linear, a estimação dos parâmetros é usualmente feita pelo método de mínimos quadrados ordinários (MQO). Esse método fornece estimadores com propriedades desejáveis, como não-viciosidade, consistência e eficiência. Entretanto, sob heteroscedasticidade, os estimadores de MQO tornam-se ineficientes e o estimador usual de sua matriz de covariâncias não é consistente. Vários autores propuseram estratégias para estimar de forma consistente a matriz de covariâncias dos estimadores dos parâmetros do modelo de regressão, geralmente baseadas em resíduos de MQO. Estes resíduos, porém, podem ser fortemente influenciados pela presença de pontos de alavanca. Avaliamos os comportamentos dos estimadores HC0, HC3 e HC4 da matriz de covariâncias do estimador de MQO quando resíduos oriundos de regressões robustas (menor mediana dos quadrados, mínimos quadrados podados e mínimos quadrados ponderados) são usados em substituição aos resíduos de MQO, no modelo de regressão com e sem restrição sobre os parâmetros. Os resultados revelaram que o teste construído a partir do estimador HC0 apresenta melhor desempenho quando resíduos oriundos de regressão robusta são utilizados em substituição aos resíduos de MQO, na presença de pontos de alavanca. O desempenho do teste baseado nesse estimador melhora significativamente quando estimação restrita é utilizada, principalmente com resíduos robustos. A mesma conclusão foi obtida na maioria dos cenários estudados sobre o teste baseado no estimador HC3, contudo considerando estimação irrestrita. O teste baseado no estimador HC4 apresenta desempenho superior quando resíduos oriundos do estimador MQO e mínimos quadrados ponderados são utilizados. Diferentemente do modelo de regressão linear, o modelo de regressão beta que foi proposto por Ferrari & Cribari Neto (2004) possui aplicabilidade na modelagem de variáveis do tipo taxas ou proporções. A resposta média é relacionada com um preditor linear que envolve covariáveis e parâmetros de regressão desconhecidos através de uma função de ligação, sendo ainda o modelo indexado por um parâmetro de precisão. Smithson & Verkuilen (2006) apresentaram o modelo de regressão beta em que há estrutura de regressão para o parâmetro de precisão. Em termos práticos, contudo, há certa dificuldade em modelar a precisão. Considerando tal dificuldade, um dos nossos interesses consiste em propor estimadores do tipo sanduíche para modelos de regressão beta em que a estrutura de regressão para o parâmetro de dispersão (o recíproco da precisão) é negligenciada. Adicionalmente, consideramos o caso em que há estrutura de regressão para dispersão, mas a modelamos de forma incorreta através dos preditores e das funções de ligação dos submodelos da média e dispersão. Através de simulações de Monte Carlo, nós avaliamos os desempenhos dos testes baseados nos estimadores sanduíche e comparamos com os desempenhos dos testes z que utilizam os estimadores usuais da matriz de covariâncias. Para ilustrar nossos resultados, apresentamos uma aplicação a dados reais. Considerando o modelo de regressão beta com dispersão variável, um outro objetivo consiste em explicar a diferença entre as proporções de votos válidos do presidente Lula nos segundos turnos das eleições de 2006 e 2002. Adicionalmente, calculamos os impactos dos gastos em programas assistenciais e do crescimento da economia sobre o resultado da eleição presidencial de 2006. Comparando os gastos com programas assistenciais em 2006 e 2002, vale ressaltar que em 2006 o gasto em tais programas foi muito maior do que em 2002. Nós estimamos que, se os gastos com programas assistenciais em 2006 fossem mantidos nos níveis de 2002, haveria uma redução de aproximadamente 7 milhões na votação do ex-presidente Lula. Adicionalmente, estimamos que sem o crescimento da economia, haveria uma redução na votação do ex-presidente Lula de cerca de 2 milhões de votos. Por fim, objetivamos modelar a proporção de ateus e a proporção de pessoas que não acreditam que religião é importante para suas vidas cotidianas em diferentes países. Para isso, consideramos algumas covariáveis, tais como quociente de inteligência, renda nacional bruta ajustada pela paridade no poder de compra, predominância de muçulmanos, grau de abertura da economia e expectativa de vida em cada uma das nações consideradas. Estimamos o impacto do quociente de inteligência sobre a concentração média de ateus e de pessoas que não valorizam religião. Os resultados revelaram que há forte associação positiva entre inteligência e descrença religiosa. Dado que as duas variáveis dependentes consideradas são proporções, aqui também utilizamos o modelo de regressão beta

Esta dissertação flexibiliza a suposição de normalidade, dispondo de distribuições assimétricas em modelos de crescimento. Propõe uma abordagem bayesiana para ajuste de modelos não lineares quando a suposição de normalidade para os erros não é razoável e/ou apresentam heteroscedasticidade. Assim, adota-se as distribuições skew-normal e skew-t para as situações em que é necessário modelar dados com caudas mais pesadas ou mais leves que a normal e assimétricos; sendo que é considerado também a presença de heteroscedasticidade. Diferentes funções são utilizadas na estrutura multiplicativa para modelar a variância. Com esse objetivo, métodos de inferência na abordagem bayesiana são desenvolvidos para estimar os parâmetros dos modelos de regressão não linear com os erros seguindo as distribuições citadas anteriormente. A metodologia visa aplicação à curvas de crescimento para dados de árvores / This paper relaxes the assumption of normality, featuring asymmetric distributions in growth models. Proposes a Bayesian approach to fit nonlinear models when the assumption of normality for the errors is not reasonable and/or exhibit heteroscedasticity. Thus, we adopt the skew-normal and skew-t distributions for situations where it is necessary to model data with tails heavier or lighter than normal and asymmetric, which is considered also the presence of heteroscedasticity. Different functions are used to model the multiplicative structure of variance. With this objective, methods of inference in the Bayesian approach are developed to estimate the parameters of nonlinear regression models with errors following the distributions listed above. The methodology is intended to apply to the growth curves for trees data sets

Made available in DSpace on 2016-06-02T20:06:04Z (GMT). No. of bitstreams: 1 2781.pdf: 541826 bytes, checksum: d2aa406e93853dc3fa06d57075822d91 (MD5) Previous issue date: 2010-01-26 / Financiadora de Estudos e Projetos / Two problems related to Partial Least Squares method are considered in this work. Heteroscedastic errors and an asymmetrical error distribution. In the _rst part of this work a methodology is developed which allows, based in PLS methods, to estimate the model parameters in the presence of non-constant error variance. This technique is compared with the usual PLS method which considers homoscedastic erros. The PLS method is an distribution free approach, that is, it does not assume any distribution for the error terms. In order to estimate the heterocedastic structure an probability distribution is attributed to the errors, similar to the idea of Bastien et al: (2005). In this work, it is proposed a class of asymmetric distributions, the asymmetric normal distribution, presented in Azzalini (1985), which includes the normal distribution as a particular case. For the heteroscedasticity detection is proposed adaptations of the White test, the Goldfeld-Quandt test and an test proposed by Xei et al: (2009), which is used for testing the homogeneity of the scale parameter and/or signi_cance of autocorrelation in skew-normal nonlinear regression model. The test methods are illustrated with two numerical examples. All the methods present in the work are illustrated with simulated and real datasets. / Este trabalho aborda dois problemas relacionados aos modelos de regressão por mínimos quadrados parciais (Partial Least Squares, PLS): erros heteroscedásticos, ou seja, erros com variância não constante, e a assimetria na distribuição dos erros. No método de regressão PLS uma das suposições básicas é a homocesdasticidade dos erros. Quando isso não ocorre, uma alternativa é estimar a estrutura heteroscedástica dos mesmos. Na primeira parte deste trabalho é apresentada uma técnica, baseada em PLS, que permite estimar os parâmetros do modelo de regressão linear levando em consideração a presença de heteroscedasticidade dos erros. Esta técnica é comparada com o método PLS usual na estimação em modelos com erros heteroscedásticos. O método de regressão PLS é uma abordagem livre de distribuição, ou seja, não assume uma distribuição para os erros. Para a estimação da estrutura heteroscedástica atribuimos uma distribuição aos erros. A idéia é a mesma utilizada por Bastien et al: (2005). Em geral, a análise estatística para o estudo de dados contínuos tem sido desenvolvida em grande parte com base no modelo normal. Dessa forma, esta distribuição seria a escolha comum para modelar os erros, a _m de estimar a heteroscedasticidade. Entretanto, em muitas situações práticas essa suposição de normalidade pode nos levar a inferências pouco apropriadas sobre os parâmetros de interesse. Neste trabalho, pretendemos _exibilizar essa suposição de normalidade, dispondo de uma classe de distribuições assimétricas proposta por Azzalini (1985), que inclui a distribuição normal como um caso particular, a distribuição normal assimétrica. Para a detecção da heteroscedasticidade nos erros foram propostas adaptações de testes como o teste de White e o teste de Goldfeld-Quandt para erros normais; e testes escore para homogeneidade dos parâmetros de escala e assimetria da distribuição normal assimétrica, proposto por Xei et al: (2009). Todos os métodos decritos no trabalho são ilustrados com dados simulados e reais.

Made available in DSpace on 2016-06-02T20:06:11Z (GMT). No. of bitstreams: 1 DissPGCB.pdf: 1168050 bytes, checksum: 6dc9351b4fed81fa76650df3ca9d8772 (MD5) Previous issue date: 2005-09-16 / This work presents a classical and a Bayesian approaches to two sigmoidal grownth curves, the Gompertz and the Richards models. We consider the homoscedastic assumption and a multiplicative heteroscedastic structure. For the classical approach we use the maximum likelihood method and for bayesian approach we consider non-informative priors. The posterioris summaries were obtained by the use of the Metropolis-Hastings algorithm. The illustration of both approaches is made using a simulated and a real data set. / Esta dissertação apresenta as abordagens Clássica e Bayesiana para os modelos de crescimento sigmoidais de Gompertz e de Richards. São consideradas as suposições de homoscedasticidade e heteroscedasticidade multiplicativa dos erros. Para a análise Clássica foi utilizado o método de máxima verossimilhança onde a obtenção das estimativas dos parâmetros ocorreu através de métodos iterativos. Para a análise bayesiana, foram consideradas prioris não informativas de Jeffreys e para a obtenção dos resumos a posteriori utilizamos o algoritmo de Metropolis-Hastings. Ambos os métodos foram ilustrados através de dados simulados e reais.

Orientador: Filidor Edilfonso Vilca Labra / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Matemática Estatística e Computação Científica / Made available in DSpace on 2018-08-24T22:21:27Z (GMT). No. of bitstreams: 1 MaeharaSanchez_RocioPaola_M.pdf: 3392400 bytes, checksum: 820e10611571e2e9984d25f94c00ced2 (MD5) Previous issue date: 2014 / Resumo: A família de distribuições Sinh-Normal é uma classe de distribuições simétricas com três parâmetros, e devido à presença destes parâmetros esta família é flexível. Quando a distribuição Sinh-Normal é unimodal, esta distribuição pode ser utilizada em lugar da distribuição normal, e consequentemente nos modelos de regressão. Uma subclasse das distribuições é o log-transformação da distribuição de tempo de fadiga Birnbaum-Saunders. Assim, várias propriedades da distribuição Birnbaum-Saunders e algumas generalizações podem ser obtidas. O principal objetivo deste trabalho é estudar alguns aspectos de estimação e análise de diagnóstico no modelo de regressão Sinh-Normal. A análise de diagnóstico baseia-se na metodologia de Cook (1986). Duas análises de dados são realizadas para ver como o modelo proposto pode ser utilizado na prática. Além disso, investigamos um teste de homogeneidade dos parâmetros de forma no modelo de regressão Sinh-Normal. Obtemos as estatísticas de escore para este teste. Finalmente, um exemplo numérico é apresentado para ilustrar a metodologia e as propriedades das estatísticas escore são investigadas através de simulações de Monte Carlo / Abstract: The family of Sinh-normal distributions is a class of symmetric distributions with three parameters, and due to presence of these parameters it is a very flexible distribution. When the Sinh-normal distribution is unimodal, it distribution could be used in place of the normal distribution and consequently in regression model. A subclass de distribution of Sinh-normal distributions is the log-transformation of the Birnbaum-Saunders fatigue-time distribution. So, several properties of the Birnbaum-Saunders distribution and some generalization can be obtained. The main objective of work is to study some aspect of estimation and analysis of diagnostics in the Sinh-Normal regression model. The analysis of diagnostics is based on the Cook (1986) approach. Two data analysis is performed to see how the proposed model can be used in practice. Furthermore, we investigate a test of homogeneity for shape parameters in the Sin-Normal regression model. We obtain the score statistics for such test. Finally, a numerical example is given to illustrate our methodology and the properties of the score statistics is investigated through Monte Carlo simulations / Mestrado / Estatistica / Mestra em Estatística

Esta dissertação flexibiliza a suposição de normalidade, dispondo de distribuições assimétricas em modelos de crescimento. Propõe uma abordagem bayesiana para ajuste de modelos não lineares quando a suposição de normalidade para os erros não é razoável e/ou apresentam heteroscedasticidade. Assim, adota-se as distribuições skew-normal e skew-t para as situações em que é necessário modelar dados com caudas mais pesadas ou mais leves que a normal e assimétricos; sendo que é considerado também a presença de heteroscedasticidade. Diferentes funções são utilizadas na estrutura multiplicativa para modelar a variância. Com esse objetivo, métodos de inferência na abordagem bayesiana são desenvolvidos para estimar os parâmetros dos modelos de regressão não linear com os erros seguindo as distribuições citadas anteriormente. A metodologia visa aplicação à curvas de crescimento para dados de árvores / This paper relaxes the assumption of normality, featuring asymmetric distributions in growth models. Proposes a Bayesian approach to fit nonlinear models when the assumption of normality for the errors is not reasonable and/or exhibit heteroscedasticity. Thus, we adopt the skew-normal and skew-t distributions for situations where it is necessary to model data with tails heavier or lighter than normal and asymmetric, which is considered also the presence of heteroscedasticity. Different functions are used to model the multiplicative structure of variance. With this objective, methods of inference in the Bayesian approach are developed to estimate the parameters of nonlinear regression models with errors following the distributions listed above. The methodology is intended to apply to the growth curves for trees data sets