Aspectos computacionais para inferência na distribuição gama generalizada

Abstract

The most important goals of this research project are related to the study of computational aspects to get inferences for the parameters of the Generalized Gamma distribution. The Generalized Gamma distribution is a good option to get better inferences for lifetime data, but usually in applications, the maximum likelihood estimators (MLE) of the parameters of the distribution could be very unstable depending on appropriated initial values in the numerical iterative procedure, especially for small sample sizes. Under a Bayesian approach, we observe that the posterior distributions could depend heavily on the choice of a prior distribution. In this work, using the classical inference will be shown a way to simplify the likelihood equations, minimizing the problem of instability of the method. Under a Bayesian approach, we will study the effect of different empirical and non-informative prior distributions on the posterior estimates, especially for small sample sizes. Numerical methods are also proposed in this work, in order to get good initial values used to improve the obtained inferences, considering censored data (random censoring) under the Classical and Bayesian approach. Simulated and real data sets will be used to illustrate the proposed methodology.

Nesta dissertação, tem-se como objetivo desenvolver aspectos computacionais a fim de realizar inferência nos parâmetros da distribuição Gama Generalizada. A distribuição Gama Generalizada tem se mostrado um excelente modelo que leva a melhores inferências quando utilizamos dados de sobrevivência. No entanto, os Estimadores de Máxima Verossimilhança (EMV) da distribuição Gama Generalizada não têm o comportamento estável e para muitos casos não existem, apenas para amostras muito grandes. Na abordagem Bayesiana o problema permanece de tal forma que diferentes distribuições a priori podem ter grande efeito nas estimativas a posteriori de interesse. Neste trabalho, ao se utilizar a inferência Clássica, será demonstrado uma forma de simplificar as equações de verossimilhança, minimizando o problema de instabilidade do método. Considerando-se a abordagem Bayesiana, serão propostas diferentes distribuições a priori, empíricas ou não-informativas e seus efeitos serão estudados nas estimativas a posteriori. Serão propostos também diferentes métodos exploratórios, a fim de se obter bons valores iniciais para serem utilizados nos procedimentos de estimação dos parâmetros, considerando-se dados censurados (censura aleatória) sob o enfoque Clássico e Bayesiano. Por fim, serão apresentados alguns exemplos de aplicações, utilizando-se dados da literatura e dados reais.