Caros Colegas, Gostariamos de lhes lembrar sobre a proxima edicao de Coloquio Inter-institucional "Modelos Estocasticos e Aplicacoes", (CBPF-IMPA-LNCC-UFRJ) que tera lugar no dia 22 de outubro, quarta- feira, na UFRJ a partir das 13:30 horas, Bloco C, CT, Sala C-116, Ilha do Fundão. Desta vez teremos um coloquio centrado em temas ligados a inferência estatística, com a presenca dos seguintes palestrantes: Francsico Cribari Neto (UFPE) "Nearly unbiased inference under heteroskedasticity of unknown form" 13:30-15:00 Márcia D'Elia Branco(IME-USP) "Inferência Bayesiana em Modelos Assimétricos" 15:30-17:00 Depois das palestras teremos encontro para discussao e um lanche. Os resumos de palestras encontram-se abaixo. Saudacoes, Alexandra (em nome da comissao organizadora: M. Fragoso, A.Schmidt, V.Sidoravicius, M.E.Vares) Ps.: Desculpem-me pela eventual duplicacao desta mensagem. ======================================================== RESUMOS DE PALESTRAS Nearly unbiased inference under heteroskedasticity of unknown form Francisco Cribari, UFPE The linear regression model is commonly used by practitioners to model the relationship between the variable of interest and a set of explanatory variables. The assumption that all error variances are the same, known as homoskedasticity, is oftentimes violated when cross sectional data are used. Consistent standard errors for the ordinary least squares estimators of the regression parameters can be computed following the approach proposed by White (1980). Such standard errors, however, are considerably biased in samples of typical sizes. An improved covariance matrix estimator was proposed by Qian and Wang (2001). We improve upon the Qian-Wang estimator by defining a sequence of bias adjusted estimators with increasing accuracy. The numerical results reveal that the Qian-Wang estimator is typically much less biased than the estimator proposed by Halbert White and that our correction to the former can be quite effective in small samples. Finally, we show that the Qian-Wang estimator can be generalized into a broad class of heteroskedasticity-consistent covariance matrix estimators, and our results can be easily extended to such a class of estimators. Inferência Bayesiana em Modelos Assimétricos Márcia D?Elia Branco, USP Nos últimos anos novas classes de distribuições de probabilidade multivariadas e não simétricas tem sido propostas na literatura. O principal interesse é fornecer uma alternativa à suposição de normalidade usualmente considerada na modelagem estatística. Essa alternativa deve acomodar diferentes assimetrias, curtoses e eventualmente multimodalidade. Além disso, essas distribuições de probabilidade devem possibilitar algum tipo de tratamento analítico de modo a facilitar a inferência estatística. As distribuições assimétricas induzidas por processos de seleção, discutidas em Arellano, Branco e Genton (2006) têm as características descritas anteriormente. Nesta apresentação discutiremos algumas dessas distribuições de probabilidades, tais como, normal-assimétrica e t-assimétrica. Aplicações envolvendo modelos lineares mistos e modelos binários serão apresentadas. A abordagem de inferência considerada para todas as aplicações será a bayesiana, com destaque para o uso de distribuições a priori objetivas. -*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-* Alexandra Mello Schmidt, PhD Professora Adjunta Instituto de Matemática - UFRJ Caixa Postal 68530 Rio de Janeiro - RJ CEP:21.945-970 Brasil Tel: 0055 21 2562 7505 Ramal (Extension) 204 Fax: 0055 21 2562 7374 http://www.dme.ufrj.br/~alex -*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-* Cash your dreams before they slip away. Lose your dreams and you lose your mind (From the "God of Small things"). Gentileza gera gentileza (Profeta Gentileza)
Attachment:
cartaz 2008 II.jpg
Description: image/pjpeg