Modelos para curvas de crescimento: uma abordagem bayesiana via métodos de Monte Carlo com cadeias de Markov (MCMC)

• Processo: 22/13263-9
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de janeiro de 2023
• Data de Término da vigência: 31 de dezembro de 2023
• Área de conhecimento: Ciências Exatas e da Terra - Probabilidade e Estatística - Estatística
• Pesquisador responsável: Mario de Castro Andrade Filho
• Beneficiário: Cícero Coimbra Fonseca
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Assunto(s): Inferência bayesiana Modelos de regressão
• Palavra(s)-Chave do Pesquisador: Inferência Bayesiana | Modelos de Regressão | Regressão Não Linear | Modelos de regressão bayesianos

Resumo

A utilização de modelos de curvas de crescimento no estudo de características com base em dadoslongitudinais encontra uma ampla gama de aplicações em campos como a Silvicultura (Fekedulegn & Colbert, 1999), Psicologia do Desenvolvimento (Curran et al., 2010), Microbiologia (Zwietering et al., 1990) e Zootecnia (Finco et al., 2016). A metodologia bayesiana pode trazer vantagens na modelagem com essas curvas no sentido que viabiliza a incorporação de conhecimento especializado.Mesmo quando essas informações não estão disponíveis, é possível optar por distribuiçõesa priori fracamente ou até mesmo não informativas. Técnicas de ajuste de modelos bayesianos emgeral exigem métodos numéricos. Métodos baseados em simulação de Monte Carlo via cadeiasde Markov (MCMC) como o algoritmo Metropolis-Hastings (Chib, 1995) são amplamente usadosnestes casos; em particular, métodos baseados em processos de difusão como o Monte Carlohamiltoniano (Neal, 2011) e o MALA (Metropolis-adjusted Langevin algorithm) (Girolami & Calderhead, 2011) tendem a ser mais eficientes computacionalmente. Esse projeto tem o objetivo deanalisar a implementação desses modelos sob uma abordagem bayesiana, considerando a comparaçãode performance de métodos de MCMC, seleção e elicitação de distribuições a priori comdiferentes reparametrizações.