Return to search

Modelos lineares mistos : uma abordagem bayesiana

Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Estatística, 2017. / Submitted by Raquel Almeida (raquel.df13@gmail.com) on 2018-04-11T17:25:53Z
No. of bitstreams: 1
2017_AlexLuizMartinsMatheusdaRocha.pdf: 620797 bytes, checksum: 102a7d62b41cea145fc3ea2987658596 (MD5) / Approved for entry into archive by Raquel Viana (raquelviana@bce.unb.br) on 2018-04-20T19:39:37Z (GMT) No. of bitstreams: 1
2017_AlexLuizMartinsMatheusdaRocha.pdf: 620797 bytes, checksum: 102a7d62b41cea145fc3ea2987658596 (MD5) / Made available in DSpace on 2018-04-20T19:39:37Z (GMT). No. of bitstreams: 1
2017_AlexLuizMartinsMatheusdaRocha.pdf: 620797 bytes, checksum: 102a7d62b41cea145fc3ea2987658596 (MD5)
Previous issue date: 2018-04-20 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES). / Estudos em que a população de interesse possui estrutura hierárquica ou mul tinível são cada vez mais frequentes nas áreas de educação e saúde, onde, por exemplo, tem-se o desejo de avaliar determinada característica de alunos dentro de escolas ou pacientes dentro de hospitais. Nessa situação, modelos hierárquicos são mais adequados do que modelos que não levam em consideração a hierarquia. Esses modelos incorporam a estrutura de dependência dos dados, tornando as estimativas mais realistas e não viesadas. Esses modelos fazem parte da classe de modelos mistos, que possui efeitos fixos e mais de um efeito aleatório em sua composição. Este trabalho apresenta aplicações do modelo de regressão linear hierárquica, utilizando a abordagem bayesiana para estimação dos parâmetros. Concluiu-se que esses modelos apresentam ganhos expressivos nas estimativas intervalares dos parâmetros, sem desrespeitar os pressupostos teóricos de um modelo mais simples, proporcionando estimativas não viesadas. / Studies in which the population of interest has a multilevel or hierarchical structure are increasingly frequent in the areas of education and health, when one has the desire to evaluate a certain characteristic of students clustered within schools or patients clustered within hospitals. In this situation, hierarchical models are more appropriate than models that do not take hierarchy into account. These models incorporate data dependency structure, making estimates more realistic and unbiased. These models are also called mixed models, containing both fixed effects and more than one random effect in its composition. This work presents applications of the linear hierarchical regression model, using bayesian methods of estimation. It was concluded that these models present expressive gains in the interval estimates of the parameters, without disrespecting the assumptions of a simpler model, providing unbiased estimates.

Identiferoai:union.ndltd.org:IBICT/oai:repositorio.unb.br:10482/31708
Date04 December 2017
CreatorsRocha, Alex Luiz Martins Matheus da
ContributorsNakano, Eduardo Yoshio
Source SetsIBICT Brazilian ETDs
LanguagePortuguese
Detected LanguagePortuguese
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis
Sourcereponame:Repositório Institucional da UnB, instname:Universidade de Brasília, instacron:UNB
RightsA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data., info:eu-repo/semantics/openAccess

Page generated in 0.0021 seconds