Critérios de informação e seleção de modelos lineares mistos
O modelo linear misto é amplamente utilizado na análise de medidas repetidas e de dados longitudinais, e compreende duas abordagens. A primeira é apropriada quando estamos interessados em parâmetros populacionais (efeitos fixos) e a segunda é indicada quando os coeficientes individuais (efeitos alea...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2020 |
| 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-17082020-100010 |
| Acceso en línea: | https://www.teses.usp.br/teses/disponiveis/45/45133/tde-17082020-100010/ |
| Access Level: | acceso abierto |
| Palabra clave: | AIC BIC Dados longitudinais Longitudinal data |
| Sumario: | O modelo linear misto é amplamente utilizado na análise de medidas repetidas e de dados longitudinais, e compreende duas abordagens. A primeira é apropriada quando estamos interessados em parâmetros populacionais (efeitos fixos) e a segunda é indicada quando os coeficientes individuais (efeitos aleatórios) são de interesse. A seleção de modelos mistos, quando realizada por meio de critérios de informação, leva em conta estas diferenças de abordagem: o Critério de Informação de Akaike (AIC) marginal baseia-se na log-verossimilhança marginal, e o Critério de Informação de Schwarz (BIC) é similar ao critério anterior, mas também inclui o número total de observações. O AIC condicional baseia-se na log-verossimilhança condicional aos efeitos aleatórios. Realizamos um estudo de simulação para observar o comportamento destes critérios frente a diversos cenários, concluindo que o AIC (marginal ou condicional) e o BIC apresentaram frequência de seleção do modelo correto elevada mesmo para tamanho amostral reduzido (n = 10), desde que a quantidade de observações por indivíduo seja elevada (m 13). Além disso, quanto mais correlacionados os dados, são necessários tanto tamanho amostral quanto número de observações por indivíduo maiores (n 30 e m 16, respectivamente) para detecção do modelo correto. Consideramos dois exemplos em que ilustramos a aplicação do AIC marginal e do AIC condicional. Mostramos que a seleção de modelos por intermédio dos critérios AIC e BIC é compatível com a análise de resíduos associada. |
|---|