O impacto das distribuições a priori em métodos Bayesianos de seleção de variáveis

• Processo: 24/00067-2
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de abril de 2024
• Data de Término da vigência: 15 de abril de 2025
• Área de conhecimento: Ciências Exatas e da Terra - Probabilidade e Estatística - Estatística
• Pesquisador responsável: Daiane Aparecida Zuanetti
• Beneficiário: João Vitor Giacomini
• Instituição Sede: Centro de Ciências Exatas e de Tecnologia (CCET). Universidade Federal de São Carlos (UFSCAR). São Carlos , SP, Brasil
• Assunto(s): Análise de sensibilidade Métodos MCMC
• Palavra(s)-Chave do Pesquisador: análise de sensibilidade | Métodos MCMC | Reversible Jump | Spike and Slab | Inferência Bayesiana e seleção de modelos

Resumo

O processo de identificação de um subconjunto de variáveis relevantes em modelos lineares ou não-lineares, denominado seleção de variáveis, tem sido um tema de estudo bastante recorrente nos últimos anos, em especial pela vasta quantidade de informações e características que o mundo digital proporciona e fornece. Neste projeto, iremos pesquisar, estudar e analisar os principais métodos Bayesianos que têm sido utilizados para selecionar variáveis em modelos lineares e o impacto das distribuições a priori utilizadas no desempenho desses métodos, discutindo vantagens e desvantagens de cada metodologia estudada. Além disso, vamos elencar e analisar os algoritmos que já estão implementados e disponíveis para utilização, especialmente os baseados em MCMC. Os métodos implementados serão inicialmente aplicados em conjuntos de dados sintéticos via simulação, variando principalmente o valor da variância a priori dos coeficientes de regressão, e por fim em dados reais. Cada metodologia será avaliada considerando métricas denominadas especificidade e sensibilidade, além de compararmos a eficiência computacional e o tempo necessário para processamento de cada método.