Mostrar el registro sencillo del ítem

dc.contributor.authorDanilevicz, Ian Meneghel
dc.date.accessioned2018-04-12T13:19:41Z
dc.date.available2018-04-12T13:19:41Z
dc.date.issued2018-02-26
dc.identifier.citationDANILEVICZ, Ian Meneghel. Detecting influential observations in spatial models using Bregman divergence. 2018. Dissertação (Mestrado em Estatística) – Universidade Federal de São Carlos, São Carlos, 2018. Disponível em: https://repositorio.ufscar.br/handle/ufscar/9734.*
dc.identifier.urihttps://repositorio.ufscar.br/handle/ufscar/9734
dc.description.abstractHow to evaluate if a spatial model is well ajusted to a problem? How to know if it is the best model between the class of conditional autoregressive (CAR) and simultaneous autoregressive (SAR) models, including homoscedasticity and heteroscedasticity cases? To answer these questions inside Bayesian framework, we propose new ways to apply Bregman divergence, as well as recent information criteria as widely applicable information criterion (WAIC) and leave-one-out cross-validation (LOO). The functional Bregman divergence is a generalized form of the well known Kullback-Leiber (KL) divergence. There is many special cases of it which might be used to identify influential points. All the posterior distributions displayed in this text were estimate by Hamiltonian Monte Carlo (HMC), a optimized version of Metropolis-Hasting algorithm. All ideas showed here were evaluate by both: simulation and real data.eng
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)por
dc.language.isoengpor
dc.publisherUniversidade Federal de São Carlospor
dc.rights.uriAcesso restritopor
dc.subjectInferência Bayesianapor
dc.subjectDivergência de Bregmanpor
dc.subjectMonte Carlo Hamiltonianopor
dc.subjectPontos influentespor
dc.subjectModelos espaciaispor
dc.subjectHeteroscedasticidadepor
dc.subjectBayesian inferenceeng
dc.subjectBregman divergenceeng
dc.subjectHamiltonian Monte Carloeng
dc.subjectInfluential pointseng
dc.subjectSpatial modelseng
dc.subjectHeteroscedasticityeng
dc.titleDetecting influential observations in spatial models using Bregman divergenceeng
dc.title.alternativeDetecção de observações influentes em modelos espaciais usando divergência de Bregmanpor
dc.typeDissertaçãopor
dc.contributor.advisor1Ehlers, Ricardo Sandes
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/4020997206928882por
dc.description.resumoComo avaliar se um modelo espacial está bem ajustado? Como escolher o melhor modelo entre muitos da classe autorregressivo condicional (CAR) e autorregressivo simultâneo (SAR), homoscedásticos e heteroscedásticos? Para responder essas perguntas dentro do paradigma bayesiano, propomos novas formas de aplicar a divergência de Bregman, assim como critérios de informação bastante recentes na literatura, são eles o widely applicable information criterion (WAIC) e validação cruzada leave-one-out (LOO). O funcional de Bregman é uma generalização da famosa divergência de Kullback-Leiber (KL). Há diversos casos particulares dela que podem ser usados para identificar pontos influentes. Todas as distribuições a posteriori apresentadas nesta dissertação foram estimadas usando Monte Carlo Hamiltoniano (HMC), uma versão otimizada do algoritmo Metropolis-Hastings. Todas as ideias apresentadas neste texto foram submetidas a simulações e aplicadas em dados reais.por
dc.publisher.initialsUFSCarpor
dc.publisher.programPrograma Interinstitucional de Pós-Graduação em Estatística - PIPGEspor
dc.subject.cnpqCIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA::ESTATISTICA::INFERENCIA PARAMETRICApor
dc.ufscar.embargo24 meses após a data da defesapor
dc.publisher.addressCâmpus São Carlospor
dc.contributor.authorlatteshttp://lattes.cnpq.br/3210760047664783por


Ficheros en el ítem

Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem