• 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
10.11606/T.45.2019.tde-11032019-160302
Documento
Autor
Nome completo
Natalia Andrea Milla Pérez
E-mail
Unidade da USP
Área do Conhecimento
Data de Defesa
Imprenta
São Paulo, 2018
Orientador
Banca examinadora
Paula, Gilberto Alvarenga (Presidente)
Ferrari, Silvia Lopes de Paula
Labra, Filidor Edilfonso Vilca
Novelli, Cibele Maria Russo
Rojas, Manuel Jesus Galea
Título em português
Métodos de estimação baseados na função de verossimilhança para modelos lineares elípticos
Palavras-chave em português
Máxima verossimilhança perfilada modificada
Máxima verossimilhança restrita
Métodos robustos
Modelos exponencial potência
Modelos lineares elípticos
Modelos mistos
Modelos t-Student
Resumo em português
O objetivo desta tese é estudar métodos de estimação baseados na função de verossimilhança em modelos mistos lineares elípticos. Derivamos inicialmente os métodos de máxima verossimilhança, máxima verossimilhança restrita e de máxima verossimilhança perfilada modificada para o modelo linear normal. Estendemos os métodos para os modelos lineares elípticos e encontramos diferenças entre as equações resultantes de cada método. A principal motivação deste trabalho é que o método de máxima verossimilhança restrita tem sido aplicado para obter estimadores menos viesados para os componentes de variância-covariância, em contraste com os estimadores de máxima verossimilhança. O método tem sido muito utilizado em modelos com estruturas de variância-covariância como é o caso dos modelos mistos lineares. Assim, procuramos estender o método para os modelos mistos lineares elípticos bem como comparar com outros procedimentos de estimação, máxima verossimilhança e máxima verossimilhança perfilada modificada. Estudamos em particular os modelos mistos lineares com erros t-Student e exponencial potência.
Título em inglês
Estimation methods based on the likelihood function in Elliptical Linear Models
Palavras-chave em inglês
Linear elliptical models
Mixed models
Modified profile maximum likelihood
Power exponencial models
Restricted maximum likelihood
Robust methods
Student-t models
Resumo em inglês
The aim of this thesis is to study estimation methods based on the likelihood functions in elliptical linear mixed models. First, we review the modified profile maximum likelihood and the restricted maximum likelihood methods as well as the traditional maximum likelihood method in normal linear models. Then, we extend the methodologies for elliptical linear models and we compare the estimating equations derived for each method. The main motivation of the work is that the restricted maximum likelihood method has been largely applied in normal linear mixed models in order to reduce the bias of the maximum likelihood variance-component estimators. So, we intend to investigate the possible extension for elliptical linear mixed models as well as to compare with the modified profile maximum likelihood and the maximum likelihood methods. Particular studies for Student-t and power exponential linear mixed models are presented.
 
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.
TeseNMPerez.pdf (8.29 Mbytes)
Data de Publicação
2019-04-02
 
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 © 2001-2019. Todos os direitos reservados.