Divulgação - Defesa Nº 171

Aluno: Ricardo Batista das Neves Junior
Título: “Duas Abordagens de Regressão Quantílica não Paramétrica: Intervalar e Otimizada por Algoritmos Genéticos”.

Orientadora: Profa. Roberta Andrade de Araújo Fagundes
Data-hora: 27/julho/2018 (9:00h)
Local: Escola Politécnica de Pernambuco – SALA I-5


Resumo:

“Análise de regressão é uma ferramenta estatística que investiga a relação entre duas ou mais variáveis. Dentre os tipos de regressão existentes, a Regressão Quantílica se divide em paramétrica e não paramétrica. Na utilização da regressão quantí- lica paramétrica (RQ), podem existir parâmetros desconhecidos. Entretanto, além de ser possível estimar estes parâmetros, a forma do relacionamento entre as variáveis dependentes e explicativas é conhecida. Enquanto na regressão quantílica não paramétrica (RQNP) a forma de função à ser estimada é desconhecida e os parâmetros são desconhecido, logo, precisam ser estimados. Os modelos de re- gressão usuais são utilizados em problemas envolvendo dados clássicos pontuais. Entretanto, autores têm introduzido modelos de regressão para análise de dados simbólicos (ADS). O primeiro modelo de RQ para dados simbólicos do tipo inter- valo foi proposto por Fagundes et al.,(2006). O primeiro objetivo deste trabalho é desenvolver três modelos de regressão para ADS. A primeira abordagem utiliza um modelo não paramétrico no centro e na amplitude no intervalo. A segunda abordagem utiliza um modelo paramétrico no centro e não paramétrico na am- plitude do intervalo. A terceira, utiliza um modelo não paramétrico no centro e paramétrico na amplitude do intervalo. Quando se deseja utilizar o modelo de RQNP é necessário estimar o valor do parâmetro Largura de Banda presente no kernel, e dado que realizar tal estimação é uma tarefa complexa, Li et al. (2013) desenvolveram um modelo baseado em validação cruzada capaz de realizar de forma otimizada a seleção automática da LB. Entretanto, estudos mostram que abordagens de computação inteligente são capazes de alcançar maior e ciência na estimação de parâmetros de diversos tipos de problema do mundo real. Neste contexto, o segundo objetivo deste trabalho é utilizar Algoritmos Genéticos (AG) para estimar o parâmetro LB na RQNP obtendo maior taxa de acerto em relação ao modelo RQNP simples presente na literatura e em seguida, propor um modelo de AG para estimar o parâmetro LB da RQNP com maior e ciência em relação à estimação realizada pelo AG existente na literatura. Experimentos utilizando conjuntos de dados reais e simulados foram executados para avaliar o desempenho dos modelos propostos.”

Go to top Menú