• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Tese de Doutorado
DOI
https://doi.org/10.11606/T.104.2024.tde-30072024-110832
Documento
Autor
Nome completo
Daniel Camilo Fuentes Guzman
E-mail
Unidade da USP
Área do Conhecimento
Data de Defesa
Imprenta
São Carlos, 2024
Orientador
Banca examinadora
Louzada Neto, Francisco (Presidente)
Diniz, Carlos Alberto Ribeiro
Gonzatto Junior, Oilson Alberto
Ramos, Pedro Luiz
Zeller, Camila Borelli
Título em inglês
Influence Diagnostics in Linear Censored Regression Models with Skew Scale Mixtures of Normal Distributions
Palavras-chave em inglês
Algorithm
Censoring
Diagnostics
Distributions
EM
Influence
Linear
Mean-Shift
Mixtures of normal
Models
Outlier
Regression
Scale
Skew
SSMN
Resumo em inglês
In this research, we conducted studies on local and global influence diagnostics for Censored Linear Regression Models with Skew Scale Mixtures of Normal Distributions (SSMN-CR), proposed by Guzman, Ferreira and Zeller (2020). Initially, we discussed methods for generating censored data, specifically presenting methods to generate randomly censored data with both unilateral and interval censoring. Subsequently, we addressed case deletion and local influence diagnostics based on the Q function, inspired by the findings of Zhu et al. (2001) and Zhu and Lee (2001). To analyze the sensitivity of the maximum likelihood estimators of the SSMN-CR model parameters to small perturbations in assumptions and/or data, we considered various perturbation schemes, such as case weighting, explanatory variables, response variables, and perturbations in scale and skewness parameters. To illustrate the usefulness of the proposed methodology, we presented the analysis of a real dataset and three simulation studies.
Título em português
Diagnóstico de influência em modelos de regressão linear censurada com distribuições de misturas de escala assimétrica de normais
Palavras-chave em português
Algoritmo
Assimetria
Censura
Diagnóstico
Distribuições
EM
Influência
Linear
Mean-Shift
Misturas de escala
Modelos
Normais
Outlier
Regressão
Resumo em português
Nesta pesquisa, conduzimos estudos de diagnóstico de influência local e global para modelos de regressão linear com censura e misturas de escala assimétrica de distribuições normais, propostos por Guzman, Ferreira and Zeller (2020) e denotados como SSMN-CR. Inicialmente, discutimos métodos para gerar dados censurados, apresentando especificamente métodos para gerar dados censurados aleatórios com censura unilateral e intervalar. Posteriormente, abordamos a exclusão de casos e o diagnóstico de influência local com base na função Q, inspirada nas descobertas de Zhu et al. (2001) e Zhu and Lee (2001). Para analisar a sensibilidade dos estimadores de máxima verossimilhança dos parâmetros do modelo SSMN-CR a pequenas perturbações nos pressupostos e/ou dados, consideramos vários esquemas de perturbação, como ponderação de casos, variáveis explicativas, variáveis resposta e perturbações nos parâmetros de escala e assimetria. Para ilustrar a utilidade da metodologia proposta, apresentamos a análise de um conjunto de dados reais e três estudos de simulação.
 
AVISO - A consulta a este documento fica condicionada na aceitação das seguintes condições de uso:
Este trabalho é somente para uso privado de atividades de pesquisa e ensino. Não é autorizada sua reprodução para quaisquer fins lucrativos. Esta reserva de direitos abrange a todos os dados do documento bem como seu conteúdo. Na utilização ou citação de partes do documento é obrigatório mencionar nome da pessoa autora do trabalho.
Data de Publicação
2024-07-30
 
AVISO: Saiba o que são os trabalhos decorrentes clicando aqui.
Todos os direitos da tese/dissertação são de seus autores
CeTI-SC/STI
Biblioteca Digital de Teses e Dissertações da USP. Copyright © 2001-2024. Todos os direitos reservados.