Submitted by Franciele Moreira (francielemoreyra@gmail.com) on 2018-03-29T12:30:01Z
No. of bitstreams: 2
Dissertação - Marcelo dos Santos Ventura - 2018.pdf: 4739813 bytes, checksum: 52211670f6e17c893ffd08843056f075 (MD5)
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Approved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2018-03-29T13:40:08Z (GMT) No. of bitstreams: 2
Dissertação - Marcelo dos Santos Ventura - 2018.pdf: 4739813 bytes, checksum: 52211670f6e17c893ffd08843056f075 (MD5)
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Made available in DSpace on 2018-03-29T13:40:08Z (GMT). No. of bitstreams: 2
Dissertação - Marcelo dos Santos Ventura - 2018.pdf: 4739813 bytes, checksum: 52211670f6e17c893ffd08843056f075 (MD5)
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5)
Previous issue date: 2018-03-09 / Fundação de Amparo à Pesquisa do Estado de Goiás - FAPEG / This work deals with two Monte Carlo simulation studies in log-symmetric regression models,
which are particularly useful for the cases when the response variable is continuous, strictly
positive and asymmetric, with the possibility of the existence of atypical observations. In log-
symmetric regression models, the distribution of the random errors multiplicative belongs to
the log-symmetric class, which encompasses log-normal, log- Student-t, log-power-
exponential, log-slash, log-hyperbolic distributions, among others. The first simulation study
has as objective to examine the performance for the maximum-likelihood estimators of the
model parameters, where various scenarios are considered. The objective of the second
simulation study is to investigate the accuracy of popular information criteria as AIC, BIC,
HQIC and their respective corrected versions. As illustration, a movie data set obtained and
assembled for this dissertation is analyzed to compare log-symmetric models with the normal
linear model and to obtain the best model by using the mentioned information criteria. / Este trabalho aborda dois estudos de simulação de Monte Carlo em modelos de regressão log-
simétricos, os quais são particularmente úteis para os casos em que a variável resposta é
contínua, estritamente positiva e assimétrica, com possibilidade da existência de observações
atípicas. Nos modelos de regressão log-simétricos, a distribuição dos erros aleatórios
multiplicativos pertence à classe log-simétrica, a qual engloba as distribuições log-normal,
log-Student- t, log-exponencial- potência, log-slash, log-hyperbólica, entre outras. O primeiro
estudo de simulação tem como objetivo examinar o desempenho dos estimadores de máxima
verossimilhança desses modelos, onde vários cenários são considerados. No segundo estudo
de simulação o objetivo é investigar a eficácia critérios de informação populares como AIC,
BIC, HQIC e suas respectivas versões corrigidas. Como ilustração, um conjunto de dados de
filmes obtido e montado para essa dissertação é analisado para comparar os modelos de
regressão log-simétricos com o modelo linear normal e para obter o melhor modelo utilizando
os critérios de informação mencionados.
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.bc.ufg.br:tede/8278 |
| Date | 09 March 2018 |
| Creators | Ventura, Marcelo dos Santos |
| Contributors | Santos, Helton Saulo Bezerra dos, Sanchez, Victor Eliseo Leiva, Sanchez, Victor Eliseo Leiva, Silva, Tatiane F. N. Melo da, Tojeiro, Cynthia Arantes Vieira |
| Publisher | Universidade Federal de Goiás, Programa de Pós-graduação em Economia (FACE), UFG, Brasil, Faculdade de Administração, Ciências Contábeis e Ciências Econômicas - FACE (RG) |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Biblioteca Digital de Teses e Dissertações da UFG, instname:Universidade Federal de Goiás, instacron:UFG |
| Rights | http://creativecommons.org/licenses/by-nc-nd/4.0/, info:eu-repo/semantics/openAccess |
| Relation | 6547073815134037611, 600, 600, 600, 600, 437125377651663904, -2504903392600098822, -961409807440757778 |
Page generated in 0.0027 seconds