Heteroscedastic regression models: an objective Bayesian approach
17 Setembro 2015 ·
- Quem: Helio Migon
- Onde: FGV - Praia de Botafogo, 190, sala 317
- Quando: 17 de Setembro de 2015 às 16:00h
In many statistical problems the normality assumption is very common but in many cases untenable for natural phenomena due to the distribution of the data shows a leptokurtic or a platykurtic shape and is not robust to outliers. In that context, more flexible models can be adopted to accommodate this characteristic. One alternative is to use location-scale models with heavy- tailed prior distributions like Student-t, exponential power between others. The use of Student t-distribution for error component is a good alternative because it provides more flexible tails and reduces the influence of outliers and robust analysis from a Bayesian point of view is possible, for example, for regression model. Sometimes a better choice is the exponential power (EP) distribution that can provide both heavier (leptokurtic) and lighter tails (platykurtic) than normal density. In that context, we develop objective Bayesian analysis for linear heteroscedastic regression models. More specifically, we derive explicit expressions for Jeffreys priors for the model parameters. For both, Student-t and EP distributions, we show that some of these Jeffreys priors lead to a proper posterior distributions. Moreover, we show that our proposed Bayesian analysis compares favorably to frequentist analysis previously proposed in the literature. Finally, we illustrate our methodology with applications of the Student-t and exponential power regression models to different datasets.
Palestrante
Helio Migon graduou-se em Estatística pela Escola Nacional de Ciências Estatísticas (1970), obteve o mestrado em Estatística pela Universidade de São Paulo (1974) e doutorado em Estatística pela University of Warwick (1984). Atualmente é professor titular da Universidade Federal do Rio de Janeiro. Bolsista de pesquisa do CNPq desde 1989. Orienta alunos de iniciação científica, mestrado e doutorado. Publicou artigos em vários periódicos de Estatística como Journal of the American Statistical Association, Journal of the Royal Statistical Society (Series B and D), Biometrika, Computational Statistics and Data Analysis e outros. Autor do livro Statistical Inference: an Integrated Approach (com Dani Gamerman e Francisco Louzada), 2a. edição publicado pela Chapman-Hall em 2014 (1a. edição pela Arnold em 1999), além de vários livros nacionais. Editor associado dos periódicos Applied Stochastic Models in Business and Industry, Brazilian Journal of Probability and Statistics e Revista de Pesquisa Operacional. Ex-presidente da ABE - Associação Brasileira de Estatística e ex membro do Comite Assessor da área de Matemática do CNPq. Coordenador do Programa de Pós-Graduação em Estatística do IM/UFRJ (2007/09), Diretor Adjunto de Pesquisa do IM (2005/07) e, atualmente, chefia o Departamento de Métodos Estatístico do IM. Tem experiência na área de Probabilidade e Estatística, com ênfase em Probabilidade e Estatística Aplicadas, atuando principalmente nos seguintes temas: Inferência Bayesiana, Modelos Dinâmicos e Previsões Bayesianas, Amostragem de Populações Finitas, Econometria Aplicada a Finanças e Atuária.
Observação para visitantes
- A presença é gratuita e não exige confirmação.
- A FGV não permite a entrada de pessoas vestindo bermuda e/ou chinelos.