Aplicações das distribuições de misturas da escala Skew-Normal em modelos de efeitos mistos

Resumo

Assumir que as observações seguem uma distribuição normal (ou simétrica) é uma suposição rotineira em modelos lineares e não lineares de efeitos mistos para dados censurados. No entanto, essa suposição pode ser não realista, ocultando importantes características da variação que está presente nos dados. Nesse sentido, a classe de distribuições de misturas de escala Skew-Normal (SMSN) (Branco e Dey, 2001; Lachos, Ghosh e Arellano-Valle, 2010) é interessante porque inclui as versões simétrica e assimétrica das distribuições t de Student, slash, normal contaminada, exponencial potência, Pearson VII, entre outras, todas elas com caudas mais pesadas do que a distribuição normal, produzindo estimação robusta (e inferência) no modelo considerado. O objetivo deste projeto é apresentar um estudo de inferência clássica e Bayesiana em modelos lineares e não lineares de efeitos mistos para dados censurados (e ainda com possibilidade de considerar estrutura espacial) sob distribuições mais robustas do que a distribuição Skew-Normal, isto é, sob a classe das distribuições de misturas da escala Skew-Normal. Além disso, serão apresentado estudos de diagnóstico Bayesianos baseados na medida de divergência de Kullback-Leibler, como discutido em Lachos, Bandyopadhyay e Dey (2011). No processo de estimação, usaremos o algoritmo EM e amostrador de Gibbs com implementação em R, C++ e WinBUGS. (AU)