Download como arquivo ICAL
Doutorado: "Níveis de significância adaptativos em modelos de regressão linear"
Quinta-feira 05 Dezembro 2019, 10:00 - 14:00
Contato: Este endereço de email está sendo protegido de spambots. Você precisa do JavaScript ativado para vê-lo.

Candidata:  Alejandra Estefania Patiño Hoyos

 

Orientador: Prof. Dr. Carlos Alberto Bragança Pereira

 

Resumo: PATIÑO HOYOS, A.E. Nı́veis de significância adaptativos em modelos de regressão linear. 2019. Tese de Doutorado - Instituto de Matemática e Estatı́stica, São Paulo, 2019.


O Teste de Significância Totalmente Bayesiano (FBST) para hipóteses precisas foi apresentado por Pereira and Stern (1999) como uma alternativa Bayesiana aos testes de significância tradicionais baseados no p-value. Com o FBST, os autores introduzem o e-value como um ı́ndice de evidência em favor da hipótese nula (H). Uma questão prática importante para a implementação do FBST é estabelecer quão pequena deve ser a evidência contra H para decidir pela sua rejeição. Neste trabalho apresentamos um método para encontrar um valor de corte para a evidência no FBST minimizando a combinação linear das probabilidades ponderadas de erro tipo I e tipo II para um determinado tamanho de amostra e também para uma certa dimensão do espaço paramétrico. Além disso, comparamos nossa metodologia com os resultados obtidos usando o teste proposto por Pereira et al. (2017) e Gannon et al. (2019) que apresenta o P -value como medida de evidência e inclui um nı́vel de significância adaptativo. Para isso, é considerado o cenário de modelos de regressão linear
sob a abordagem Bayesiana.


Palavras-chave: Nı́veis de significância adaptativos, Teste Bayesiano, e-value, P -value,  Regressão linear, Distribuição preditiva, Factor de Bayes, Teste de Significância.

Local Sala 165, Bloco A