Seleção de covariância para o modelo grafo gaussiano via reversible jump
O objetivo do modelo grafo gaussiano consiste em encontrar a estrutura de covariância que representa a relação entre variáveis aleatórias, cuja distribuição conjunta é uma normal multivariada. Isso é uma ferramenta usada para modelar grafos gaussianos. A inferência de parâmetros desse tipo de modela...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis doctoral |
| Estado: | Versión publicada |
| Fecha de publicación: | 2023 |
| País: | Brasil |
| Institución: | Universidade de São Paulo (USP) |
| Repositorio: | Biblioteca Digital de Teses e Dissertações da USP |
| Idioma: | portugués |
| OAI Identifier: | oai:teses.usp.br:tde-24082023-110019 |
| Acceso en línea: | https://www.teses.usp.br/teses/disponiveis/104/104131/tde-24082023-110019/ |
| Access Level: | acceso abierto |
| Palabra clave: | Correlação parcial Covariance selection model Gaussian Graphs Grafo Gaussiano Graphical Gaussian model Graphical model Metropolis-Hastings Model selection Modelo grafo Modelo grafo Gaussiano Partial correlation Reversible jump Seleção de covariância Seleção de modelo |
| Sumario: | O objetivo do modelo grafo gaussiano consiste em encontrar a estrutura de covariância que representa a relação entre variáveis aleatórias, cuja distribuição conjunta é uma normal multivariada. Isso é uma ferramenta usada para modelar grafos gaussianos. A inferência de parâmetros desse tipo de modelagem geralmente é baseada na estimativa da máxima verossimilhança. No entanto, esse tipo de metodologia requer o ajuste de todos os modelos possíveis para verificar qual modelo melhor representa a relação entre as variáveis. No caso de qualquer modelo, dentre todos os possíveis, apresentar problema de estimativa, o resultado pode não representar a verdadeira relação entre as variáveis. Nós propomos alterações no procedimento baseado no algoritmo Reversible Jump de Dobra et al. (2011) para seleção e ajuste do modelo grafo gaussiano. Nós também criamos indicadores para avaliar resultados de simulações provenientes de um modelo grafo gaussiano. Os resultados obtidos no trabalho são favoráveis a nossa proposta apresentada, no qual observou um melhoramento no método de seleção de modelo diminuindo o erro ao buscar a estrutura de covariância. |
|---|