Métodos de estimação em modelos de efeitos mistos não lineares de caudas pesadas

• Ano de defesa: 2019
• Autor(a) principal: Gomes, José Clelto Barros
• Orientador(a): Novelli, Cibele Maria Russo
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Universidade Federal de São Carlos; Câmpus São Carlos
• Programa de Pós-Graduação: Programa Interinstitucional de Pós-Graduação em Estatística - PIPGEs
• Palavras-chave em Português: Modelos não-lineares; Modelos mistos; Dados correlacionados; Métodos de estimação; Máxima verossimilhança; Máxima verossimilhança restrita
• Palavras-chave em Inglês: Nonlinear models; Mixed-effects models; Correlated data; Estimation methods; Maximum likelihood; Restricted maximum likelihood
• Área do conhecimento CNPq: CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA; CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA::ESTATISTICA::INFERENCIA PARAMETRICA; CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA::ESTATISTICA::REGRESSAO E CORRELACAO; CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA::ESTATISTICA
• Link de acesso: https://repositorio.ufscar.br/handle/ufscar/12312

Parameter estimation in nonlinear mixed-effects models is often challenging. In this thesis, a comparison of estimation methods for these models is proposed under a frequentist approach. In the first study, a comparison of maximum likelihood estimates under an exact method via Monte Carlo expectation-maximization (MCEM) and an approximate method based on a Taylor expansion, frequently used in the literature, is provided. In a second study, a restricted maximum likelihood estimation method is proposed, aiming to decrease the bias for the variance components estimates, based on the integration of the likelihood function on the fixed-effects, also in an exact likelihood context. These estimates are compared to the maximum likelihood ones. For the latter comparison, stochastic approximation of expectation-maximization (SAEM) algorithms are considered. The random effects and errors are assumed to follow multivariate symmetric distributions, namely the scale mixture of normal distributions, which include the normal, t and slash distributions. Finally, a general nonlinear mixed-effects model is proposed, where no linear relation is assumed in the random effects structure. In all the proposals, real data sets and simulation studies are used to illustrate the estimates’ properties.