Misturas de modelos de regressão linear com erros nas variáveis usando misturas de escala da normal assimétrica

• Ano de defesa: 2018
• Autor(a) principal: Monteiro, Renata Evangelista
• Outros Autores: http://lattes.cnpq.br/5225616211203080
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Amazonas; Instituto de Ciências Exatas; Brasil; UFAM; Programa de Pós-graduação em Matemática
• Palavras-chave em Português: Distribuição normal assimétrica; Mistura de escala normal assimétrica; Mistura de modelos de regressão; Modelo com erro nas covariáveis.; Algoritmo MCMC; Skew-normal distribution; MCMC algorithm; Scale mixtures of skewnormal; Mixture of regression models; Measurement error model; CIÊNCIAS EXATAS E DA TERRA: MATEMÁTICA
• Link de acesso: https://tede.ufam.edu.br/handle/tede/6417

A estimação tradicional em mistura de modelos de regressão é baseada na suposição de normalidade para os erros aleatórios, sendo assim, sensível a outliers, caudas pesadas e erros assimétricos. Outra desvantagem é que, em geral, a análise é restrita a preditores que são observados diretamente. Apresentamos uma proposta para lidar com estas questões simultaneamente no contexto de mistura de regressões estendendo o modelo normal clássico. Assumimos que, conjuntamente e em cada componente da mistura, os erros aleatórios e as covariáveis seguem uma mistura de escala da distribuição normal assimétrica. Além disso, é feita a suposição de que as covariáveis são observadas com erro aditivo. Um algorítmo do tipo MCMC foi desenvolvido para realizar inferência Bayesiana. A eficácia do modelo proposto é verificada via análises de dados simulados e reais.