Amostragem Gibbs e INLA para a modelagem de testes triangulares

Abstract

Em inferência bayesiana, em geral, para obter amostras da distribuição marginal a posteriori dos parâmetros é necessário resolver integrais complexas que muitas vezes não possuem solução analítica. A análise padrão usa métodos de simulação, como os métodos de Monte Carlo via cadeias de Markov (MCCM) que permitem encontrar amostras das distribuições sem a necessidade de resolver algebricamente todos os cálculos. Esses métodos, em geral, obtêm excelentes resultados, porém necessitam de um elevado tempo computacional para apresentar convergência em modelos complexos. A aproximação de Laplace aninhada integrada (INLA) é um método determinístico que pode ser uma alternativa para encontrar aproximações das distribuições marginais a posteriori dos parâmetros sem a necessidade de verificação de convergência e com menor esforço computacional. Abordamos a análise de um teste triangular replicado na análise sensorial considerando as duas formas de análise, MCCM e INLA. Ambos apresentaram bons resultados, no entanto a aproximação INLA retornou a análise em menor tempo computacionalcomparado ao método MCCM.