• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Dissertação de Mestrado
DOI
https://doi.org/10.11606/D.11.2018.tde-06042018-150012
Documento
Autor
Nome completo
Gustavo Thomas
E-mail
Unidade da USP
Área do Conhecimento
Data de Defesa
Imprenta
Piracicaba, 2017
Orientador
Banca examinadora
Demetrio, Clarice Garcia Borges (Presidente)
Paula, Gilberto Alvarenga
Vieira, Afrânio Márcio Corrêa
Zocchi, Silvio Sandoval
Título em inglês
GAMLSSs with applications to zero inflated and hierarquical data
Palavras-chave em inglês
Corn growth
Count of roots
Mixed GAMLSSs
Zero inflated GAMLSSs
Resumo em inglês
The generalized additive models for location, scale and shape (GAMLSS) developed by Rigby and Stasinopoulos (2005) are a general class of univariate regression models that do not have the response distribution restricted to the exponential family as do the generalized linear and additive models, for example. In addition, they allow all the parameters of the response variable distribution to be modeled explicitly through different sets of explanatory variables. The semiparametric subclass of GAMLSS, in particular, accepts a wide range of parametric and nonparametric terms to be included in the predictors of the parameters. Similar to the generalized linear models, the GAMLSSs link predictors to parameters through monotonic link functions, which can also change for each parameter. This dissertation describes the GAMLSSs methodology and presents two applications to data sets provenient from experiments in agronomy; exploring methods of estimation, diagnosis and comparison of these models.
Título em português
GAMLSSs com aplicações a dados inflacionados de zeros e hierárquicos
Palavras-chave em português
GAMLSS
Modelos mistos
Modelos para dados inflacionados de zeros
Software R
Resumo em português
Os modelos lineares generalizados para locação, escala e forma (GAMLSS) desenvolvidos por Rigby e Stasinopoulos (2005) são uma ampla classe de modelos de regressão univariados que não pressupõem que a distribuição da variável resposta pertença à família exponencial como os modelos lineares generalizados ou aditivos generalizados, por exemplo. Além do mais, eles permitem que todos os parâmetros da distribuição da variável resposta sejam modelados explicitamente por meio de diferentes conjuntos de variáveis explanatórias. A subclasse semiparamétrica dos GAMLSS, em particular, permite que uma grande variedade de termos paramétricos e não paramétricos sejam incluídos nos preditores dos parâmetros da distribuição assumida para a variável resposta. De forma análoga aos modelos lineares generalizados, os GAMLSSs ligam os preditores aos parâmetros por meio de funções de ligação monótonas, que também podem mudar de acordo com o parâmetro a ser estimado. Esta dissertação descreve a metodologia dos modelos lineares generalizados para locação, escala e forma e apresenta duas aplicações a bancos de dados provenientes de experimentos agrícolas; explorando métodos de estimação, diagnóstico e comparação desse tipo de modelos.
 
AVISO - A consulta a este documento fica condicionada na aceitação das seguintes condições de uso:
Este trabalho é somente para uso privado de atividades de pesquisa e ensino. Não é autorizada sua reprodução para quaisquer fins lucrativos. Esta reserva de direitos abrange a todos os dados do documento bem como seu conteúdo. Na utilização ou citação de partes do documento é obrigatório mencionar nome da pessoa autora do trabalho.
Gustavo_Thomas.pdf (9.47 Mbytes)
Data de Publicação
2018-04-16
 
AVISO: Saiba o que são os trabalhos decorrentes clicando aqui.
Todos os direitos da tese/dissertação são de seus autores
CeTI-SC/STI
Biblioteca Digital de Teses e Dissertações da USP. Copyright © 2001-2024. Todos os direitos reservados.