Validação e modelagem de estruturas heteroscedásticas e/ou autoregressivas em modelos elípticos não lineares para dados correlacionados

• Processo: 09/14911-0
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Data de Início da vigência: 01 de março de 2010
• Data de Término da vigência: 31 de janeiro de 2011
• Área de conhecimento: Ciências Exatas e da Terra - Probabilidade e Estatística - Estatística
• Pesquisador responsável: Gilberto Alvarenga Paula
• Beneficiário: Cibele Maria Russo Novelli
• Instituição Sede: Instituto de Matemática e Estatística (IME). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Assunto(s): Validação de modelos Modelos não lineares
• Palavra(s)-Chave do Pesquisador: Métodos de Diagnóstico | Modelos com efeitos mistos | Modelos Elípticos | Modelos heteroscedásticos e | Modelos não-lineares | ou autoregressivos | Validação de Modelos | Modelagem Estatística de Regressão

Resumo

Neste projeto propomos a investigação de temas importantes relacionados à modelagem não linear mista assumindo contornos elípticos, incluindo a suposição de estruturas heteroscedásticas e/ou autoregressivas como generalização da matriz escala dos modelos desenvolvidos pela solicitante Cibele Russo em sua tese de doutorado e publicados na revista Computational Statistics and Data Analysis. Os modelos não-lineares elípticos com efeitos mistos fornecem alternativas relevantes para modelagem de dados longitudinais não lineares, já que introduzem a correlação intragrupo e permitem a obtenção de estimativas robustas contra observações aberrantes e pouco sensíveis a perturbações. Entretanto, uma modelagem mais sofisticada da matriz escala envolvida pode trazer um ganho significativo para os modelos quando são observados padrões de variabilidade e dependência entre medições tomadas em uma mesma unidade experimental. Além disto, será discutida a utilização de técnicas de validação e diagnóstico dos modelos propostos, que representam ferramentas importantes para a escolha de modelos. Os resultados serão aplicados a dados reais.