Modelos para Dados de Contagem com Estrutura Temporal

More documents

Recommendations

Info

Gamerman, D. (1998) Markov chain Monte Carlo for dynamic generalized linear models. Biometrika, 85, 215–227. Gamerman, D. e Lopes, H. (2006) Markov Chain Monte Carlo: Stochastic Simulation for Bayesian Inference. New York: Chapman & Hall / CRC. Gelfand, A. e Smith, A. (1990) Sampling-based approaches to calculating marginal densities. Journal of the American Statistical Association, 85, 398–409. Geman, S. e Geman, D. (1984) Stochastic relaxation, Gibbs distributions and the Bayesian restoration of images. IEEE Transactions on Pattern Analysis and Machine Intelligence, 6, 721–741. Geweke, J. e Tanizaki, H. (2001) Bayesian estimation of state space models using Metropolis-Hastings algorithm within Gibbs sampling. Computacional Statistics & Data Analysis, 37, 151–170. Hartigan, J. (1969) Linear Bayesian methods. Journal of the Royal Statistical Society B, 31, 446–454. Hastings, H. (1970) Monte Carlo sampling methods using Markov chains and their applications. Biometrika, 57, 97–109. Heilbron, D. (1989) Generalized linear models for altered zero probabilities and overdispersion in count data. Relatório técnico, Departament of Epidemiology and Biostatistics, University of California, San Francisco. Kim, H., Sun, D. e Tsutakawa, R. (2002) Lognormal vs. gamma: Biometrical Journal, 3, 305–323. Extra variations. Lambert, D. (1992) Zero-inflated Poisson regression with an application to defects in manufacturing. Technometrics, 34(1), 1–14. McKenzie, E. (1988) Some ARMA models for dependent sequences of Poisson counts. Advances in Applied Probability, 18, 679–705. 161
Metropolis, N., Rosenbulth, A., Rosenbulth, M., Teller, A. e Teller, E. (1953) Equation of state calculations by fast computing machine. Journal of Chemical Physics, 21, 1087–1091. R Development Core Team (2008) R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria. URLhttp: //www.R-project.org. ISBN 3-900051-07-0. Ravines, R., Migon, H. e Schmidt, A. (2007) An efficient sampling scheme for dynamic generalized models. Relatório Técnico 201/2007, Departamento de Métodos Estatísticos - IM - UFRJ. Rubin, D. (1987) A noninterative sampling/importance resampling alternative to the data augmentation algorithm for creating a few imputations when fractions of missing information are modest: The SIR algorithm. Comment on “The calculation of posterior distribuitions by data augmentation,” by M. Tanner and W. Wong. Journal of the American Statistical Association, 82, 543–546. Scollnik, D. (1995) Bayesian analysis of two overdispersed Poisson models. Biometrics, 51, 1117–1126. Shephard, N. e Pitt, M. (1997) Likelihood analysis of non-Gaussian measurement time series. Biometrika, 84, 653–667. Smith, J. (1985) Diagnostics checks of non-standard time series models. Forecasting, 4, 283–291. Journal of West, M. e Harrison, J. (1997) Bayesian Forecasting and Dynamic Models. New York: Springer-Verlag, 2nd edn. West, M., Harrison, J. e Migon, H. (1985) Dynamic generalized linear models and bayesian forecasting. Journal of the American Statistical Association, 80, 73–83. Yau, K., Wang, K. e Lee, A. (2003) Zero-Inflated Negative Binomial Mixed Regression Modeling of Over-Dispersed Count Data with Extra Zeros. Biometrical Journal, 45, 437–452. 162
Page 1:
Modelos para Dados de Contagem com
Page 4 and 5:
Aos meus pais, pela educação, exe
Page 6 and 7:
Agradecimentos Em primeiro lugar, a
Page 8 and 9:
Resumo Neste estudo, discutimos a a
Page 10 and 11:
Sumário 1 Introdução 1 2 Modelos
Page 12 and 13:
A.3.1 Modelo PAR com Estrutura Sazo
Page 14 and 15:
4.5 Estimativas a posteriori dos pa
Page 16 and 17:
3.12 Média a posteriori da sobredi
Page 18 and 19:
4.12 Média a posteriori da sobredi
Page 20 and 21:
Capítulo 1 Introdução Modelos pa
Page 22 and 23:
de cada modelo a fim de obter a dis
Page 24 and 25:
Capítulo 2 Modelos Dinâmicos e M
Page 26 and 27:
paramétrico Θ, associamos uma per
Page 28 and 29:
2.2 Métodos de Monte Carlo via Cad
Page 30 and 31:
propostos, alguns exemplos podem se
Page 32 and 33:
evolução temporal seja levada em
Page 34 and 35:
2.3.2 Modelos Lineares Dinâmicos G
Page 36 and 37:
2.4 Esquemas de Amostragem em Model
Page 38 and 39:
com Ỹt = Ỹt(θ (j−1) t ) e V
Page 40 and 41:
Para qualquer que seja a função p
Page 42 and 43:
Uma vez que observamos um valor y t
Page 44 and 45:
forma ⎛ ⎝ θ t g(η t ) ∣ ⎞
Page 46 and 47:
completa do vetor de estados em (2.
Page 48 and 49:
3.1 Modelos Dinâmicos para Dados d
Page 50 and 51:
mostrado a seguir. p(Y t | λ t ,
Page 52 and 53:
com o modelo binomial negativo, a d
Page 54 and 55:
O modelo Poisson dinâmico descrito
Page 56 and 57:
• a matriz de covariância associ
Page 58 and 59:
O modelo PAR com estrutura sazonal
Page 60 and 61:
distribuição normal-padrão e o d
Page 62 and 63:
em que P (Y t ≤ y t | ϕ t ) = P
Page 64 and 65:
3.4 Aplicação 1 Iremos analisar u
Page 66 and 67:
o modelo Poisson-lognormal é equiv
Page 68 and 69:
• para os parâmetros µ 0 e θ 0
Page 70 and 71:
azoavelmente. Ainda assim, apesar d
Page 72 and 73:
parece preservar características d
Page 74 and 75:
θ t, 2 −1.0 0.0 0.5 1.0 1.5 Méd
Page 76 and 77:
λ t 5 10 15 20 Média IC 95% λ t
Page 78 and 79:
λ t 5 10 15 20 Média IC 95% λ t
Page 80 and 81:
sobredispersão t 0 5 10 15 20 Méd
Page 82 and 83:
Tabela 3.4: Estimativas a posterior
Page 84 and 85:
Densidade 0 20 40 60 80 0.0586 Dens
Page 86 and 87:
Densidade 0 20 40 60 80 100 0.0094
Page 88 and 89:
Na Tabela 3.6 são apresentadas alg
Page 90 and 91:
A Figura 3.18 e Figura 3.19 ilustra
Page 92 and 93:
3.4.3 Comparação entre os Modelos
Page 94 and 95:
Quantis amostrais −2 −1 0 1 2
Page 96 and 97:
Quantis amostrais −2 −1 0 1 2
Page 98 and 99:
● ● ● ● Quantis amostrais
Page 100 and 101:
Capítulo 4 Modelos para Dados de C
Page 102 and 103:
conjunta de X t e Y t , para t = 1,
Page 104 and 105:
Número de casos de dengue 0 10 20
Page 106 and 107:
nenhum modelo com estrutura sazonal
Page 108 and 109:
• para a variância de evolução
Page 110 and 111:
Tabela 4.2: Taxas de aceitação m
Page 112 and 113:
estudo. Nosso interesse é descobri
Page 114 and 115:
tos pelo algoritmo sob investigaç
Page 116 and 117:
Para a série temporal artificial,
Page 118 and 119:
4.2.3 Resultados As Figuras 4.7 e 4
Page 120 and 121:
λ t 0 10 20 30 40 50 60 Média IC
Page 122 and 123:
λ t 0 10 20 30 40 50 60 Média IC
Page 124 and 125:
sobredispersão t 0 200 600 1000 M
Page 126 and 127:
Tabela 4.4: Estimativas a posterior
Page 128 and 129:
Densidade 0 2 4 6 8 10 12 0.3963 De
Page 130 and 131: Densidade 0.00 0.02 0.04 0.06 0.08
Page 132 and 133: p t 0.0 0.2 0.4 0.6 0.8 1.0 p t 0.0
Page 134 and 135: y rep, t 0 10 20 30 40 50 60 Median
Page 136 and 137: 4.2.4 Comparação entre os Modelos
Page 138 and 139: ●●● Quantis amostrais −1.5
Page 140 and 141: Quantis amostrais −1.5 −0.5 0.5
Page 142 and 143: ● ● ● ● Quantis amostrais
Page 144 and 145: Capítulo 5 Conclusões Neste traba
Page 146 and 147: para a modelagem do conjunto de dad
Page 148 and 149: Apêndice A Distribuições Condici
Page 150 and 151: • µ t , para t = 1, . . . , T
Page 152 and 153: • δ t , para t = 1, . . . , T (q
Page 154 and 155: o que implica que W 2 | D T , Ψ
Page 156 and 157: • δ t , para t = 1, . . . , T :
Page 160 and 161: A.4 Modelos para Dados Inflacionado
Page 162 and 163: • δ t , para t = 1, . . . , T :
Page 166 and 167: delos considerados, a função de l
Page 168 and 169: Com posse dos valores α t e β t ,
Page 170 and 171: Para o modelo binomial negativo din
Page 172 and 173: µ 10 1.0 2.0 0 1000 2500 µ 40 1.0
Page 174 and 175: θ 10, 2 −0.4 0.4 0 1000 2500 θ
Page 176 and 177: C.2 Aplicação 2 Nesta seção, po
Page 178 and 179: µ 10 −8 −4 0 0 1000 2500 µ 30
show all

Modelos para Dados de Contagem com Estrutura Temporal

Create successful ePaper yourself

Delete template?

Save as template?