Critérios de informação: como eles se comportam em diferentes modelos
Carregando...
Notas
Data
Autores
Orientadores
Coorientadores
Título da Revista
ISSN da Revista
Título de Volume
Editor
UNIVERSIDADE FEDERAL DE LAVRAS
Faculdade, Instituto ou Escola
Departamento
Programa de Pós-Graduação
DEX - Programa de Pós-graduação
Agência de fomento
Fundação de Amparo à Pesquisa do Estado de Minas Gerais (Fapemig)
Tipo de impacto
Áreas Temáticas da Extenção
Objetivos do desesenvolvimento sustentável
Dados abertos
Resumo
Um fenômeno pode ser explicado através de modelos, sendo estes destinados
a ilustrar certos aspectos do problema, sem contudo, representar todos os
detalhes havendo portanto perda de informação. Para não comprometer o entendimento
do fenômeno em estudo, esta perda deve ser mínima. Não raro, mais de
um modelo pode descrever um mesmo fenômeno, haja vista que não há uma única
metodologia a ser seguida. Desse modo, ao se deparar com dois (ou mais modelos)
é natural questionarmos: Dentre estes modelos qual é o mais adequado? Um bom
modelo deve conseguir equilibrar a qualidade do ajuste e a complexidade, sendo
esta, em geral, medida pelo número de parâmetros presentes neste; quanto mais
parâmetros, mais complexo será, sendo pois, mais difícil explicá-lo. Assim, a seleção
do melhor modelo torna-se, então, evidente. Diversas são as metodologias
utilizadas para este fim, dentre eles os critérios de informação de Akaike (AIC),
critério de informação de Akaike corrigido (AICc), e critério de informação bayesiano
(BIC). Nesta perspectiva, o objetivo deste trabalho é utilizar e avaliar os critérios
AIC, AICc e BIC em diferentes áreas: seleção de modelos normais, séries
temporais e modelos de crescimento. Estudos de simulação em cada uma das três
áreas foram desenvolvidas, bem como uma aplicação a dados reais foi realizada
em cada uma das áreas.
A phenomenon can be explained by models, which are intended to illustrate certain aspects of the problem, without, however, represent all details and consequently no loss of information. To avoid compromising the understanding of the phenomenon under study, this loss should be minimal. Often more than one model can describe the same phenomenon, given that there is no single methodology to be followed. Thus, when faced with two (or more models) is natural questioning: Among these models which is the most suitable? A good model should be able to balance the quality of fit and complexity, which is generally measured by the number of parameters present here, as more parameters, is more complex, and therefore more difficult to explain. Thus, the selection of the best model becomes then evident. There are several methods used for this purpose, including the Akaike information criterion (AIC), Akaike information criterion corrected (AICc) and Bayesian information criterion (BIC). In this perspective, the aim of this work is to use and evaluate the criteria AIC, AICc and BIC in different areas: selection of standard models, time series and growth models. Simulation studies in each of the three areas were developed, as an application to real data is performed in each of the areas.
A phenomenon can be explained by models, which are intended to illustrate certain aspects of the problem, without, however, represent all details and consequently no loss of information. To avoid compromising the understanding of the phenomenon under study, this loss should be minimal. Often more than one model can describe the same phenomenon, given that there is no single methodology to be followed. Thus, when faced with two (or more models) is natural questioning: Among these models which is the most suitable? A good model should be able to balance the quality of fit and complexity, which is generally measured by the number of parameters present here, as more parameters, is more complex, and therefore more difficult to explain. Thus, the selection of the best model becomes then evident. There are several methods used for this purpose, including the Akaike information criterion (AIC), Akaike information criterion corrected (AICc) and Bayesian information criterion (BIC). In this perspective, the aim of this work is to use and evaluate the criteria AIC, AICc and BIC in different areas: selection of standard models, time series and growth models. Simulation studies in each of the three areas were developed, as an application to real data is performed in each of the areas.
Abstract
Descrição
Tese apresentada à Universidade Federal
de Lavras, como parte das exigências do
Programa de Pós-Graduação em Estatística
e Experimentação Agropecuária, área de
concentração em Estatística e Experimentação
Agropecuária, para a obtenção do título
de Doutor.
Área de concentração
Estatística e Experimentação Agropecuária
Agência de desenvolvimento
Palavra chave
Marca
Objetivo
Procedência
Impacto da pesquisa
Resumen
ISBN
DOI
Citação
EMILIANO, P. C. Critérios de informação: como eles se comportam em diferentes modelos. 2013. 193 p. Tese (Doutorado em Estatística e Experimentação Agropecuária) – Universidade Federal de Lavras, Lavras, 2013.