Please use this identifier to cite or link to this item: http://hdl.handle.net/1843/BUBD-9UNGM5
Full metadata record
DC FieldValueLanguage
dc.contributor.advisor1Rosangela Helena Loschipt_BR
dc.contributor.advisor-co1Reinaldo Boris Arellano Vallept_BR
dc.contributor.referee1Reinaldo Boris Arellano Vallept_BR
dc.contributor.referee2Marcos Oliveira Pratespt_BR
dc.contributor.referee3Lourdes Coral Contreras Montenegropt_BR
dc.contributor.referee4Manuel Jesus Galea Rojaspt_BR
dc.contributor.referee5Filidor Edilfonso Vilca Labrapt_BR
dc.creatorGustavo Henrique Mitraud Assis Rochapt_BR
dc.date.accessioned2019-08-09T16:02:27Z-
dc.date.available2019-08-09T16:02:27Z-
dc.date.issued2014-10-07pt_BR
dc.identifier.urihttp://hdl.handle.net/1843/BUBD-9UNGM5-
dc.description.abstractIn this work, we develop a non-standard linear regression analysis by considering that the dependent variable is censored and also that some of the explanatory variables are measured with additive errors. In addition, our censored measurement error regression model is speci ed by assuming heavy-tailed distributions for the underlying probabilistic process. Speci cally, our analysis focuses on assuming a multivariate Student-t joint distribution for the error terms and the unobserved true covariates. In this sense, the proposed model will be robust enough to protect our inferences of atypical or in uential observations. For the model estimation, we consider the maximum likelihood methodology, in which we include the estimation of the asymptotic variance of the maximum likelihood estimators and we also develop an EM type algorithm to obtain the estimates, and also the Bayesian paradigm, in which we use a data augmentation approach and develop a MCMC algorithm to sample from the posterior distributions. The proposed methodology is exible enough to be adapted for heavy-tailed distributions coming from the class of scale mixture of the normal distribution. The performance of the newly developed methodology is evaluated throughout a Monte Carlo study as well as a case sudy analysis.pt_BR
dc.description.resumoNeste trabalho é desenvolvida uma análise de regressão linear considerando que a variável dependente é censurada e também que algumas das variáveis explicativas são medidas com erros aditivos. Esse modelo de regressão censurado com erros de medidas é especificado assumindo distribuições com cauda pesada para o processo probabilístico. Especificamente, assume-se uma distribuição t-Student multivariada para modelar o comportamento conjunto dos erros e das verdadeiras covariáveis não observadas. Nesse sentido, o modelo será robusto o suficiente para proteger as inferências de observações atípicas e influentes. Para a estimação do modelo considera-se a metodologia de máxima verossimilhança, em que inclui-se a estimação da variância assintótica dos estimadores de máxima verossimilhança e também desenvolve-se um algoritmo do tipo EM para obter as estimativas, e também o paradigma bayesiano, onde considera-se o procedimento de aumento de dados e desenvolve-se um algoritmo MCMC para amostrar das distribuições a posteriori. A metodologia proposta flexível o bastante para ser adaptada para distribuições com caudas pesadas vindas da classe de misturas de escala da distribuição normal. A performance da nova metodologia desenvolvida é avaliada através de um estudo Monte Carlo e também de uma análise de um estudo de caso.pt_BR
dc.languagePortuguêspt_BR
dc.publisherUniversidade Federal de Minas Geraispt_BR
dc.publisher.initialsUFMGpt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectEstátisticapt_BR
dc.subject.otherAnálise de regressãopt_BR
dc.subject.otherEstatísticapt_BR
dc.subject.otherProbabilidadespt_BR
dc.subject.otherDistribuição (Probabilidades)pt_BR
dc.titleModelos de regressão t-Tobit com erros nas covariáveispt_BR
dc.typeTese de Doutoradopt_BR
Appears in Collections:Teses de Doutorado

Files in This Item:
File Description SizeFormat 
tese_ghmar_vfinal.pdf1.31 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.