Estimação em modelos de efeitos mistos para respostas censuradas usando as distribuições de misturas de escala normal

• Processo: 15/05385-3
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Doutorado
• Data de Início da vigência: 15 de julho de 2015
• Data de Término da vigência: 14 de janeiro de 2016
• Área de conhecimento: Ciências Exatas e da Terra - Probabilidade e Estatística - Estatística
• Pesquisador responsável: Víctor Hugo Lachos Dávila
• Beneficiário: Larissa Avila Matos
• Supervisor: Ming-Hui Chen
• Instituição Sede: Instituto de Matemática, Estatística e Computação Científica (IMECC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Instituição Anfitriã: University of Connecticut (UCONN), Estados Unidos
• Vinculado à bolsa: 11/22063-9 - Aplicações das distribuições de misturas da escala skew-normal em modelos de análise fatorial, BP.DR
• Assunto(s): Censura
• Palavra(s)-Chave do Pesquisador: Agoritmo SAEM | censura | Modelos de Efeitos Mistos | Modelos de Misturas de Escala Normal | Modelos de Regressão

Resumo

Este projeto apresentará uma nova abordagem para estimação em modelos de efeitos mistos para respostas censuradas usando as distribuições de misturas de escala normal. No contexto de modelos lineares e não-lineares de efeitos mistos para respostas censuradas, os efeitos aleatórios e os erros usualmente seguem uma distribuição normal, principalmente por conveniência matemática. No entanto, estas suposições vêm sendo criticada na literatura, devido a sua sensibilidade a desvios da suposição de normalidade. Neste projeto, assumiremos que os efeitos aleatórios e erros seguem conjuntamente uma distribuição multivariada de misturas de escala normal. As distribuições t-Student, slash, normal contaminada, entre outras, estão contidas nesta classe de distribuições e oferecem alternativas interessantes para o modelo gaussiano, as quais produzem estimativas robustas a observações discrepantes. Vamos propor um procedimento exato para obter as estimativas de máxima verossimilhança dos parâmetros do modelo, usando uma aproximação estocástica do tradicional algoritmo EM proposto por Dempster et al. (1977), chamado SAEM (Delyon et al., 1999). O principal objetivo será estender o trabalho de Matos et al. (2013), Meza et al. (2012) e Samson et al. (2006). (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)

MATOS, LARISSA A.; LACHOS, VICTOR H.; LIN, TSUNG-I; CASTRO, LUIS M.. Heavy-tailed longitudinal regression models for censored data: a robust parametric approach. TEST, v. 28, n. 3, p. 844-878, SEP 2019. (15/05385-3, 18/05013-7, 14/02938-9, 11/22063-9)

MATOS, LARISSA A.; CASTRO, LUIS M.; CABRAL, CELSO R. B.; LACHOS, VICTOR H.. Multivariate measurement error models based on Student-t distribution under censored responses. STATISTICS, v. 52, n. 6, p. 1395-1416, 2018. (15/20922-5, 18/05013-7, 15/05385-3, 11/22063-9)