Modelos para Dados de Contagem com Estrutura Temporal
Modelos para Dados de Contagem com Estrutura Temporal
Modelos para Dados de Contagem com Estrutura Temporal
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
2.2 Métodos <strong>de</strong> Monte Carlo via Ca<strong>de</strong>ias <strong>de</strong> Markov<br />
Como discutido na Seção 2.1, todo o procedimento <strong>de</strong> inferência bayesiana está fundamentado<br />
na distribuição a posteriori <strong>de</strong> θ, porém o que temos geralmente na prática,<br />
é que esta distribuição não é conhecida ou não possui forma analítica fechada. Po<strong>de</strong>mos,<br />
entretanto, <strong>de</strong> forma aproximada, obter amostras da distribuição a posteriori através<br />
<strong>de</strong> métodos <strong>de</strong> simulação estocástica. Entre estes, estão os métodos <strong>de</strong> MCMC. Estes<br />
métodos serão utilizados na estimação dos parâmetros dos mo<strong>de</strong>los <strong>de</strong> interesse, que serão<br />
discutidos nos Capítulos 3 e 4. Particularmente, <strong>de</strong>ntro dos métodos MCMC, estaremos<br />
utilizando o amostrador <strong>de</strong> Gibbs e o algoritmo <strong>de</strong> Metropolis-Hastings que serão discutidos<br />
mais adiante nas Subseção 2.2.1 e 2.2.2.<br />
Consi<strong>de</strong>re que queremos simular <strong>de</strong> uma distribuição <strong>de</strong> probabilida<strong>de</strong> cuja função <strong>de</strong><br />
probabilida<strong>de</strong> ou função <strong>de</strong> <strong>de</strong>nsida<strong>de</strong> <strong>de</strong> probabilida<strong>de</strong> é dada por p(·). Como po<strong>de</strong> ser<br />
visto em Gamerman e Lopes (2006), o método MCMC é qualquer método que produza<br />
uma ca<strong>de</strong>ia <strong>de</strong> Markov homogênea, ergódica e irredutível cuja distribuição estacionária<br />
seja p(·).<br />
Uma ca<strong>de</strong>ia <strong>de</strong> Markov é:<br />
• homogênea: quando a probabilida<strong>de</strong> <strong>de</strong> transição <strong>de</strong> estados é constante;<br />
• ergódica: se é aperiódica e recorrente positiva;<br />
• aperiódica: se nenhum dos seus estados é visitado após d passos <strong>com</strong> probabilida<strong>de</strong><br />
1, <strong>para</strong> qualquer d > 0 inteiro;<br />
• recorrente positiva: quando o número médio <strong>de</strong> passos <strong>para</strong> que uma ca<strong>de</strong>ia retorne<br />
a qualquer estado é finito;<br />
• irredutível: se <strong>com</strong> probabilida<strong>de</strong> positiva, ela se move <strong>de</strong> um ponto a outro, qualquer,<br />
em um número finito <strong>de</strong> iterações.<br />
Se a ca<strong>de</strong>ia <strong>de</strong> Markov segue todas estas características, existe a distribuição estacionária<br />
e os estados da ca<strong>de</strong>ia são aproximadamente realizações <strong>de</strong>sta distribuição. Entre<br />
9