Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/38120
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor1 | Thaís Paiva Galleti | pt_BR |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/6313658269652848 | pt_BR |
dc.contributor.advisor-co1 | Marcos Oliveira Prates | pt_BR |
dc.contributor.referee1 | Lourdes Coral Contreras Montenegro | pt_BR |
dc.contributor.referee2 | Rosangela Helena Loschi | pt_BR |
dc.contributor.referee3 | Camila Borelli Zeller | pt_BR |
dc.contributor.referee4 | Daniel Manrique-Vallier | pt_BR |
dc.creator | Luis Alejandro Masmela Caita | pt_BR |
dc.creator.Lattes | http://lattes.cnpq.br/2531123939464084 | pt_BR |
dc.date.accessioned | 2021-09-22T00:18:25Z | - |
dc.date.available | 2021-09-22T00:18:25Z | - |
dc.date.issued | 2021-03-26 | - |
dc.identifier.uri | http://hdl.handle.net/1843/38120 | - |
dc.description.abstract | Dados ausentes ocorrem quando alguns valores não são armazenados ou observados para variáveis de interesse. No entanto, a maior parte da teoria estatística assume que os dados são totalmente observados. Uma alternativa para lidar com bases de dados incompletas é preencher os espaços correspondentes às informações faltantes com base em alguns critérios, essa técnica é chamada de imputação. Apresentamos uma nova metodologia de imputação para bancos de dados com unidades de não resposta usando informações adicionais de variáveis auxiliares totalmente observadas. Assumimos que as variáveis não observadas são contínuas e que as variáveis auxiliares ajudam a melhorar a capacidade de imputação do modelo. Em uma estrutura totalmente Bayesiana, nosso método usa uma mistura flexível de distribuições normais multivariadas para modelar a resposta e as variáveis auxiliares em conjunto. Sob essa estrutura, usamos as propriedades da modelagem Gaussian Cluster-Weighted para construir um modelo preditivo para imputar os valores ausentes usando as informações das covariáveis. Estudos de simulação e uma ilustração de dados reais são apresentados para mostrar a capacidade de imputação do método sob uma variedade de cenários e em comparação com outros métodos da literatura. | pt_BR |
dc.description.resumo | Missing data occurs when some values are not stored or observed for variables of interest. However, most of the statistical theory assumes that data is fully observed. An alternative to deal with incomplete databases is to fill in the spaces corresponding to the missing information based on some criteria, this technique is called imputation. We introduce a new imputation methodology for databases with non-response units using additional information from fully observed auxiliary variables. We assume that the non-observed variables are continuous, and that auxiliary variables assist to improve the imputation capacity of the model. In a fully Bayesian framework, our method uses a flexible mixture of multivariate normal distributions to model the response and the auxiliary variables jointly. Under this framework, we use the properties of Gaussian Cluster-Weighted modeling to construct a predictive model to impute the missing values using the information from the covariates. Simulations studies and a real data illustration are presented to show the method imputation capacity under a variety of scenarios and in comparison to other literature methods. | pt_BR |
dc.description.sponsorship | CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior | pt_BR |
dc.language | eng | pt_BR |
dc.publisher | Universidade Federal de Minas Gerais | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.department | ICX - DEPARTAMENTO DE ESTATÍSTICA | pt_BR |
dc.publisher.program | Programa de Pós-Graduação em Estatística | pt_BR |
dc.publisher.initials | UFMG | pt_BR |
dc.relation | Programa Institucional de Internacionalização – CAPES - PrInt | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject | Cluster-Weighted Modeling | pt_BR |
dc.subject | Gaussian mixture models | pt_BR |
dc.subject | Imputation method | pt_BR |
dc.subject | Missing data | pt_BR |
dc.subject.other | Estatística – Teses. | pt_BR |
dc.subject.other | Correlação (Estatistica) – Teses. | pt_BR |
dc.subject.other | Crítica de imputação de dados (Estatística) – Teses. | pt_BR |
dc.subject.other | Ausência de dados (Estatística) – Teses. | pt_BR |
dc.subject.other | Processos gaussianos – Teses | pt_BR |
dc.title | Imputation of missing data using gaussian linear Cluster-Weighted Modeling | pt_BR |
dc.title.alternative | Imputação de dados faltantes usando Cluster-Weighted Modeling linear gausiana | pt_BR |
dc.type | Tese | pt_BR |
Appears in Collections: | Teses de Doutorado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Thesis Imputation of Missing Data Using Gaussian Linear Cluster-Weighted Modeling SHB .pdf | 16.49 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.