Pós-Graduação em Ciência da Computação – UFPE
Defesa de Tese de Doutorado Nº 673
Aluno: Rafaella Leandra Souza do Nascimento
Orientador: Profa. Renata Maria Cardoso Rodrigues de Souza
Coorientador: Prof. Francisco José de Azevedo Cysneiros (UFPE/Depto de Estatística)
Título: Modelos Lineares Generalizados para Dados Simbólicos do Tipo Poligonal
Data: 18/08/2025
Hora/Local: 14h – Auditório do CIn – Bloco B
Banca Examinadora:
Prof. Adriano Lorena Inácio de Oliveira (UFPE / Centro de Informática)
Prof. Adenilton José da Silva (UFPE / Centro de Informática)
Profa. Roberta Andrade de Araújo Fagundes (UPE / Escola Politécnica de Pernambuco)
Prof. Getúlio José Amorim do Amaral (UFPE / Departamento de Estatística)
Prof. Leandro Carlos de Souza (UFPB / Centro de Informática)
RESUMO:
A Análise de Dados Simbólicos é uma abordagem que visa desenvolver métodos para dados descritos por variáveis através de diferentes representações, como conjuntos de categorias, lista de valores, intervalos, distribuição de probabilidade, entre outros. Os métodos de regressão são amplamente estudados neste contexto e diferentes modelos têm sido propostos, inclusive pelo tipo de representação que estes dados podem assumir. Os Modelos Lineares Generalizados constituem uma classe de modelos de regressão que permite a modelagem de dados provenientes de diferentes distribuições da família exponencial. Esses modelos utilizam uma função de ligação para relacionar a média da variável resposta a uma combinação linear das variáveis explicativas, ampliando assim a aplicabilidade dos métodos preditivos a diversos contextos. Dito isso, o objetivo deste trabalho consiste em desenvolver uma metodologia para análise de Modelos Lineares Generalizados aplicados a dados simbólicos do tipo poligonal. Essa representação conserva a variabilidade original dos dados de cada classe simbólica, o que constitui sua principal motivação em relação à dados intervalares. Foram considerados modelos com as distribuições Gama, Normal Inversa e Binomial. Nos modelos com distribuições contínuas, são propostos resíduos poligonais, avaliados por meio de abordagem gráfica e descritiva, além da análise da função linear predita e definição de uma medida de qualidade. Para o modelo Binomial, baseado na regressão logística, são desenvolvidas regras de classificação para os dados poligonais. Os resultados obtidos demonstram a aplicabilidade e a eficácia dos métodos propostos em cenários com dados simulados e reais. As discussões são fundamentadas em gráficos de diagnóstico, testes estatísticos e ganhos relativos com base no erro de predição. Portanto, esta pesquisa resulta em uma ferramenta de predição e diagnóstico de modelos que contribui para o avanço dos estudos em diversos cenários de dados simbólicos.
Palavras-chave: Modelos Lineares Generalizados. Regressão. Análise de Dados
Simbólicos. Dados Poligonais. Análise Residual.
Comentários desativados