Busca avançada
Ano de início
Entree

Métodos de regressão penalizada para dados composicionais

Processo: 14/16147-3
Linha de fomento:Bolsas no Brasil - Doutorado
Vigência (Início): 01 de agosto de 2014
Vigência (Término): 31 de julho de 2018
Área do conhecimento:Ciências Exatas e da Terra - Probabilidade e Estatística - Probabilidade e Estatística Aplicadas
Pesquisador responsável:Francisco Louzada Neto
Beneficiário:Taciana Kisaki Oliveira Shimizu
Instituição-sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
Vinculado ao auxílio:13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria, AP.CEPID
Assunto(s):Dados composicionais   Regressão

Resumo

Dados composicionais consistem em vetores conhecidos como composições cujos componentes são positivos e definidos no intervalo (0,1) representando proporções ou frações de um todo, sendo que a soma desses componentes deve se somar um. Os dados composicionais estão presentes em diferentes áreas, como na geologia, ecologia, economia, medicina entre outras. Desta forma, há um grande interesse em ampliar os conhecimentos acerca da modelagem de dados composicionais, principalmente quando há a influência de covariáveis nesse tipo de dado. Nesse contexto, o presente projeto tem por objetivo propor uma nova abordagem de modelos de regressão aplicada em dados composicionais. A ideia básica consiste no desenvolvimento de um método balizado por regressão penalizada, em particular Lasso, do inglês least absolute shrinkage and selection operator, para a estimação dos parâmetros do modelo via inferência clássica e Bayesiana. Em particular, visionamos o desenvolvimento dessa modelagem para dados composicionais, com o número de variáveis explicativas excedendo o número de observações e na presença de grandes bases de dados, e além disso, quando há presença de componentes iguais a zero. (AU)

Publicações científicas
(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)
LOUZADA, FRANCISCO; SHIMIZU, TACIANA K. O.; SUZUKI, ADRIANO K. The Spike-and-Slab Lasso regression modeling with compositional covariates: An application on Brazilian children malnutrition data. STATISTICAL METHODS IN MEDICAL RESEARCH, JULY 2019. Citações Web of Science: 0.

Por favor, reporte erros na lista de publicações científicas escrevendo para: cdi@fapesp.br.
Mapa da distribuição dos acessos desta página
Para ver o sumário de acessos desta página, clique aqui.