Orientador: Laura Leticia Ramos Rifo

Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Matemática Estatística e Computação Científica

Resumo: Neste trabalho, estudamos métodos de inferência bayesiana para distribuições de cauda longa, que não envolvam o cálculo da função de verossimilhança. Inicialmente, apresentamos uma análise das propriedades de distribuições de cauda pesada e seus casos particulares, como as famílias de...

Resumo: Neste trabalho, estudamos métodos de inferência bayesiana para distribuições de cauda longa, que não envolvam o cálculo da função de verossimilhança. Inicialmente, apresentamos uma análise das propriedades de distribuições de cauda pesada e seus casos particulares, como as famílias de distribuições de cauda longa, subexponenciais e de variação regular. Apresentamos algumas estatísticas e seus comportamentos amostrais, a fim de desenvolvermos medidas de diagnóstico. Para obtenção de inferências a posteriori, discutimos o método ABC de mínima entropia e outros algoritmos para verificação e seleção de modelos, que não utilizam o cálculo da função de verossimilhança. Introduzimos um novo algoritmo para seleção de modelos baseado na distribuição preditiva a posteriori, cujos resultados são validados através de simulações e análises de dados reais relacionados à hidrologia

Abstract: In this work, we study Bayesian inference methods for long-tailed distributions that don't involve the evaluation of the likelihood function. Initially, we present an analysis of the properties of heavy-tailed distributions and particular cases, as long-tailed, subexponencial and regular...

Abstract: In this work, we study Bayesian inference methods for long-tailed distributions that don't involve the evaluation of the likelihood function. Initially, we present an analysis of the properties of heavy-tailed distributions and particular cases, as long-tailed, subexponencial and regular variation families. Some statistics are presented and their sampling behavior studied, in order to develop diagnostic measures. For obtaining posterior inferences, we discuss the minimum entropy ABC and others likelihood-free algorithms, aiming model checking and model selection. We introduce a new model selection algorithm based on the posterior predictive distribution, the results of which are validated through simulations and real data related to river flow