Critérios de seleção de modelos: um estudo comparativo
| Autor: | Moura, Adriana Ribeiro |
|---|---|
| Přispěvatelé: | Tablada, Claudio Javier, Silva, Renilma Pereira da |
| Jazyk: | portugalština |
| Rok vydání: | 2021 |
| Předmět: | |
| Zdroj: | Biblioteca Digital de Teses e Dissertações da UFPB Universidade Federal da Paraíba (UFPB) instacron:UFPB |
| Popis: | Several scienti c researches in various areas, including Statistics, have their study problems linked to practical situations, which can usually be explained through models, and it is common for researchers to come across more than one model describing the same phenomenon. Given this fact, authors defend the need for a standard criterion based on scienti c principles for choosing the model that best explains the phenomenon and the literature already has several criteria for selecting models with this objective. Thus, considering the families of generalized distributions Sup and Inf, the present work aims to propose a new model selection criterion for non-embedded models, based on these families of distributions and their properties and to compare their performance with the criteria: information criterion of Akaike (AIC), corrected Akaike information criterion (AICc), Bayesian information criterion (BIC), Hannan information criterion- Quinn (HQIC) and the modi ed t criteria of Crámer-Von Mises (W ) and Anderson-Darling (A ) through di erent simulation scenarios. Also for comparison purposes, its applicability was illustrated using real datasets. Additionally, the most important results on multiple linear regression were presented and simulations were performed in order to compare the performance of the new proposed criterion with the AIC, AICc, BIC and HQIC criteria in the selection of regression models, as well as an application to a set of real data. Nenhuma Diversas pesquisas cientí cas em várias áreas, inclusive em Estatística, têm seus problemas de estudo ligados a situações práticas, que normalmente podem ser explicadas através de modelos, sendo comum o pesquisador se deparar com mais de um modelo descrevendo um mesmo fenômeno. Diante desse fato, autores defendem a necessidade de um critério padrão baseado em princípios cientí cos para a escolha do modelo que melhor explique o fenômeno e a literatura já dispõe de vários critérios de seleção de modelos com esse objetivo. Assim, considerando as famílias de distribuições generalizadas Sup e Inf, o presente trabalho tem como objetivo propor um novo critério de seleção de modelos para modelos não encaixados, baseado nessas famílias de distribuições e suas propriedades e comparar seu desempenho com os critérios: critério de informação de Akaike (AIC), critério de informação de Akaike corrigido (AICc), critério de informação bayesiano (BIC), critério de informa ção de Hannan-Quinn (HQIC) e os critérios de adequação de ajuste modi cados de Crámer-Von Mises (W ) e Anderson-Darling (A ) através de diferentes cenários de simulação. Também para ns de comparação, foi ilustrado sua aplicabilidade por meio de conjuntos de dados reais. Adicionalmente, foram apresentados os resultados mais importantes sobre regressão linear múltipla e realizadas simulações com o objetivo de comparar o desempenho do novo critério proposto com os critérios AIC, AICc, BIC e HQIC na seleção de modelos de regressão, bem como uma aplicação a um conjunto de dados reais. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|