| Processo: | 12/12653-6 |
| Modalidade de apoio: | Bolsas no Brasil - Mestrado |
| Data de Início da vigência: | 01 de agosto de 2012 |
| Data de Término da vigência: | 30 de novembro de 2013 |
| Área de conhecimento: | Ciências Exatas e da Terra - Matemática - Matemática Aplicada |
| Pesquisador responsável: | Jorge Alberto Achcar |
| Beneficiário: | Taciana Kisaki Oliveira Shimizu |
| Instituição Sede: | Faculdade de Ciências e Tecnologia (FCT). Universidade Estadual Paulista (UNESP). Campus de Presidente Prudente. Presidente Prudente , SP, Brasil |
| Assunto(s): | Dados composicionais Modelos de regressão MCMC |
| Palavra(s)-Chave do Pesquisador: | Dados Composicionais | Mcmc | métodos bayesianos | Modelos de regressão |
Resumo Dados composicionais consistem de vetores conhecidos como composições cujos componentes são positivos e definidos no intervalo (0,1) representando proporções ou frações de um "todo". A soma desses componentes deve ser igual a um. Os dados composicionais estão presentes em diferentes áreas, como na geologia, ecologia, economia, medicina entre muitos outros. Desta forma há um grande interesse em novas abordagens de modelar dados composicionais. Neste projeto de pesquisa, estudaremos a transformação existente razão log-aditiva em modelos usados para dados composicionais, assumindo erros normais correlacionados e não correlacionados sob a comparação de diferentes distribuições com outras abordagens de modelos existentes introduzidas na literatura para lidar com dados composicionais, como o tipo de modelo de regressão Dirichlet o qual generaliza os modelos de regressão Beta padrão. O objetivo principal deste projeto é aplicar métodos Bayesianos para estes modelos usando os métodos padrões de Monte Carlo via Cadeias de Markov para simular amostras da posteriori conjunta de interesse. Para a seleção dos modelos que melhor ajustar os conjuntos de dados simulados e reais, exploraremos alguns métodos Bayesianos de discriminação como o Fator de Bayes ou DIC (Deviance Information Criteria). Alguns outros pontos importantes que também serão estudados: dados faltantes, efeitos de diferentes prioris, reparametrizações para melhorar a convergência de algoritmos de simulação. Estes novos resultados de modelagem podem ser de grande interesse em trabalhos aplicados que lidam com conjuntos de dados composicionais. | |
| Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa: | |
| Mais itensMenos itens | |
| TITULO | |
| Matéria(s) publicada(s) em Outras Mídias ( ): | |
| Mais itensMenos itens | |
| VEICULO: TITULO (DATA) | |
| VEICULO: TITULO (DATA) | |