MODELOS DE REGRESSÃO NÃO-LINEARES CONSIDERANDO UMA MISTURA FINITA DE DISTRIBUIÇÕES NORMAIS PARA OS ERROS

Vicente Garibay CANCHO[1]

Jorge Alberto ACHCAR[2]

Edwin Moises Marcos ORTEGA[3]

§         RESUMO: Neste artigo exploramos o uso  de técnicas de Monte Carlo via Cadeias de Markov (MCMC) para desenvolver uma análise bayesiana do modelo de regressão não-linear (MRNL) considerando que o termo aleatório do modelo tem uma mistura finita de distribuições normais. Utilizamos o algoritmo de Metropolis-Hasting para gerar amostras da distribuição conjunta \emph{a posteriori} dos parâmetros do modelo. Ilustramos a metodologia com  dois exemplos considerando dados reais e dados simulados.

§         PALAVRAS CHAVE: Regressão não-linear; seleção de modelos; MCMC; mistura de normais.



[1] Departamento de Matemática Aplicada e Estatística, Instituto de Ciências Matemáticas e de Computação -- ICMC, Universidade de São Paulo – USP, CEP:13560-970, São Carlos, SP,Brasil. E-mail: garibay@icmc.usp.br

[2] Departamento de Estatística, Universidade Federal de São Carlos - UFSCar, Caixa Postal 676, CEP 13565-905, São Carlos, SP, Brasil. E-mail: jachcar@power.ufscar.com.br

[3] Departamento Ciências Exatas, Universidade de São Paulo, campus de Piracicaba – ESALQ/USP, Caixa Postal 9, CEP 13418-900 , Piracicaba, SP, Brasil. E-mail: edwin@ciagri.usp.br