Small and time-efficient distribution-free predictive regions (2023)
- Authors:
- Autor USP: REIS, VICTOR CÂNDIDO - Interinstitucional de Pós-Graduação em Estatística
- Unidade: Interinstitucional de Pós-Graduação em Estatística
- Sigla do Departamento: SME
- DOI: 10.11606/D.104.2023.tde-29082023-113330
- Subjects: ANÁLISE DE REGRESSÃO E DE CORRELAÇÃO; ANÁLISE DE COVARIÂNCIA; PERMUTABILIDADE; ESTATÍSTICA E PROBABILIDADE
- Keywords: Conformal prediction methods; Conformal prediction methods; Cost of execution; Custo de execução; Efficiency; Eficiência; Regiões; Regions; Regressão; Regression
- Agências de fomento:
- Language: Inglês
- Abstract: Frequentemente, prever uma variável alvo (resposta) é objeto de interesse de investigações e estudos. Nesse cenário, é comum existirem variáveis mais acessíveis (covariáveis) que podem ajudar no processo de previsão. Métodos de regressão e classificação surgem então com o objetivo de usar as associações estatísticas entre todas as informações disponíveis para modelar a variável de interesse. Há um grande foco, durante tal modelagem, em estimar regiões que descrevam a flutuação da resposta, possibilitando, por exemplo, quantificar a incerteza de estimativas pontuais. Conformal prediction é uma classe de métodos derivada de Vovk, Gammerman and Shafer (2005) que busca fornecer regiões com formas gerais e garantia de alta probabilidade, assumindo, basicamente, apenas permutabilidade das observações, suposição mais fraca do que dados independentes e identicamente distribuídos, o que permite seu uso extensivo. Novas metodologias têm sido desenvolvidas para aprimorar as propriedades teóricas dessa classe, bem como a aplicabilidade das ideias originais do ponto de vista prático de execução e custo computacional. Este trabalho objetivou enriquecer a classe de Conformal prediction com foco em problemas de regressão, propondo uma nova abordagem que reúne um melhor aproveitamento dos dados com uma maior generalidade no formato das regiões, em uma perspectiva de custo computacional mais eficiente. Resultados competitivos foram encontrados ao comparar o método proposto com trabalhosanteriores via estudos de simulação.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2023
- Data da defesa: 02.05.2023
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
REIS, Victor Cândido. Small and time-efficient distribution-free predictive regions. 2023. Dissertação (Mestrado) – Universidade de São Paulo, São Carlos, 2023. Disponível em: https://www.teses.usp.br/teses/disponiveis/104/104131/tde-29082023-113330/. Acesso em: 10 jan. 2026. -
APA
Reis, V. C. (2023). Small and time-efficient distribution-free predictive regions (Dissertação (Mestrado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/104/104131/tde-29082023-113330/ -
NLM
Reis VC. Small and time-efficient distribution-free predictive regions [Internet]. 2023 ;[citado 2026 jan. 10 ] Available from: https://www.teses.usp.br/teses/disponiveis/104/104131/tde-29082023-113330/ -
Vancouver
Reis VC. Small and time-efficient distribution-free predictive regions [Internet]. 2023 ;[citado 2026 jan. 10 ] Available from: https://www.teses.usp.br/teses/disponiveis/104/104131/tde-29082023-113330/
Informações sobre o DOI: 10.11606/D.104.2023.tde-29082023-113330 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
