Por favor, use este identificador para citar o enlazar este ítem:
http://repositorio.ufc.br/handle/riufc/37836| Tipo: | Dissertação |
| Título : | Modelo de regressão L-logística com perspectiva frequentista |
| Autor : | Sousa, Carlos Henrique Barroso Sena |
| Tutor: | Farias, Rafael Bráz Azevedo |
| Co-asesor: | Nobre, Juvêncio Santos |
| Palabras clave : | Modelo de Regressão L-logística;Máxima Verossimilhança;Metaheurísticas;Reamostragem (Estatística) |
| Fecha de publicación : | 2018 |
| Citación : | SOUSA, Carlos Henrique Barroso Sena. Modelo de regressão L-logística com perspectiva frequentista. 152 f. Dissertação (Mestrado em Modelagem e Métodos Quantitativos) - Centro de Ciências, Universidade Federal do Ceará, 2018. |
| Resumen en portugués brasileño: | Neste trabalho estudamos a distribuição L-logística proposta em Paz et al. (2016) e seu respectivo modelo de regressão para a modelagem de variáveis em um intervalo limitado, em geral (0, 1), tais como taxas e proporções. No que concerne à modelagem deste tipo de variáveis, encontra-se na literatura um percentual significativo voltado para os convencionais modelos Beta e Simplex. Com o objetivo de diversificar a literatura, este trabalho realiza suas inferências por meio do método de estimação por máxima verossimilhança (ML) para contribuir com a vertente frequentista, tendo em vista que o trabalho realizado em Paz et al. (2016) apresenta somente a vertente bayesiana. O método de inferência é realizado através da combinação de algoritmos evolucionários (Algoritmo Genético e Evolução Diferencial) para a obtenção das estimativas pontuais (dispensando o uso de derivadas no processo) e métodos de reamostragem (Jackknife e Bootstrap) para a obtenção das estimativas do erro-padrão e intervalos de confiança. Simulações são realizadas para ilustrar a combinação das técnicas e comprovar sua eficiência. Logo após, o potencial do modelo é demonstrado através de duas aplicações em dados reais, no qual constata-se um melhor desempenho do modelo de regressão L-logística com relação aos modelos de regressão Beta e Simplex (em termos de medidas de qualidade do ajuste e diagnósticos de pontos influentes). |
| Abstract: | In this work we study the L-logistic distribution proposed in Paz et al. (2016) and its respective regression model for modeling variables in a limited range, generally (0, 1), such as rates and proportions. As far as the modeling of this type of variables is concerned, a significant percentage is found in the literature for Beta and Simplex models. With the objective of diversifying the literature, this work makes its inferences through of the estimation method by maximum likelihood (ML) to contribute to the frequentist method, considering that the work done in Paz et al. (2016) presents only the Bayesian method. The method of inference is accomplished through the combination of evolutionary algorithms (Genetic Algorithm and Differential Evolution) to obtain the point estimates (dispensing the use of derivatives in the process) and resampling methods (Jackknife and Bootstrap) to obtain the estimates of the standard error and confidence intervals. Simulations are performed to illustrate the combination of techniques and to prove their efficiency. Then, the potential of the model is demonstrated through two applications in real data, in which a better performance of the L-logistic regression model is verified in relation to the Beta and Simplex regression models (in terms of goodness of fit measures and a measure to influential points). |
| URI : | http://www.repositorio.ufc.br/handle/riufc/37836 |
| Aparece en las colecciones: | DEMA - Dissertações defendidas na UFC |
Ficheros en este ítem:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| 2018_dis_chbssousa.pdf.pdf | 1,08 MB | Adobe PDF | Visualizar/Abrir |
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.