Comparação das análises univariadas bayesiana e fiducial para dados ordinais
DOI:
https://doi.org/10.34117/bjdv11n12-051Keywords:
dados ordinais, Hamiltonian Sampling, MCCM, brms, clmmAbstract
A modelagem e a previsão de respostas ordinais desempenham papel relevante em diversos contextos estatísticos, com ampla aplicação em áreas como ciências sociais, ciências agrárias, ciências do esporte, saúde pública, educação e psicologia. Frequentemente, dados ordinais são tratados como contínuos ou, em sentido oposto, convertidos em desfechos binários, com o intuito de simplificar as formas de análise. Contudo, ignorar a natureza ordinal dos dados implica desconsiderar a estrutura ordenada intrínseca das categorias, o que pode resultar em perda de poder estatístico e de informação relevante, além de comprometer a utilidade dos modelos. No presente trabalho, realizamos a comparação entre análises de dados ordinais univariadas sob abordagens fiducial e bayesiana.
References
AGRESTI, A. Categorical data analysis. [S.l.]: John Wiley & Sons, 2013.
AGRESTI, A.; HITCHCOCK, D. B. Bayesian inference for categorical data analysis.
Statistical Methods and Applications, Springer, v. 14, p. 297–330, 2005.
ALBERT, J. H.; CHIB, S. Bayesian analysis of binary and polychotomous response data. Journal of the American statistical Association, Taylor & Francis, v. 88, n. 422, p. 669–679, 1993.
BROEMELING, L. D. A bayesian analysis for inter-rater agreement. Communications in Statistics-Simulation and Computation, Taylor & Francis, v. 30, n. 3, p. 437–446, 2001.
BÜRKNER, P.-C.; VUORRE, M. Ordinal regression models in psychology: A tutorial.
Advances in Methods and Practices in Psychological Science, Sage Publications Sage CA: Los Angeles, CA, v. 2, n. 1, p. 77–101, 2019.
CORRÊA, F. M. et al. Bayesian algorithms for analysis of categorical ordinal data. Brazilian Journal of Biometrics, v. 34, n. 4, p. 597–620, 2016.
GREEN, D. M. A maximum-likelihood method for estimating thresholds in a yes–no task. The Journal of the Acoustical Society of America, Acoustical Society of America, v. 93, n. 4, p. 2096–2105, 1993.
GREENE, W. H.; HENSHER, D. A. Modeling ordered choices: A primer. [S.l.]: Cambridge University Press, 2010.
HIRK, R.; HORNIK, K.; VANA, L. Multivariate ordinal regression models: an analysis of corporate credit ratings. Statistical Methods & Applications, Springer, v. 28, n. 3, p. 507–539, 2019.
LAWRENCE, E. et al. Bayesian inference for multivariate ordinal data using parameter expansion. Technometrics, Taylor & Francis, v. 50, n. 2, p. 182–191, 2008.
MCCULLAGH, P. Regression models for ordinal data. Journal of the Royal Statistical Society: Series B (Methodological), Wiley Online Library, v. 42, n. 2, p. 109–127, 1980.
PIEPHO, H. P.; KALKA, E. Threshold models with fixed and random effects for ordered categorical data. Food Quality and Preference, Elsevier, v. 14, n. 5-6, p. 343–357, 2003.
POON, W. Y.; WANG, H.-B. Latent variable models with ordinal categorical covariates. Statistics and Computing, Springer, v. 22, p. 1135–1154, 2012.
R CORETEAM. R: A Language and Environment for Statistical Computing. Vienna, Austria, 2024. Disponivel em: <https://www.R-project.org/>
SILVA, J. W.; BUENO FILHO, J. S. S. Um algoritmo para modelos de limiar usando as distribuições acumuladas normal e “t” de student. Revista. Brasileira de Biometria, v. 28, n. 3, p. 59–83, 2010.
THOMAS, S., TU, W. Learning Hamiltonian Monte Carlo in R. The American statistician, 75(4), 403–413, 2021.
