ABSTRACT. The objective of this analysis was to fit germination data of Rhipsalis cereuscula Haw seeds to the Weibull model with three parameters using Frequentist and Bayesian methods. Five parameterizations were compared using the Bayesian analysis to fit a prior distribution. The parameter estimates from the Frequentist method were similar to the Bayesian responses considering the following non-informative a priori distribution for the parameter vectors: gamma (10³, 10³) in the model M 1 , normal (0, 10 6 ) in the model M 2 , uniform (0, L sup ) in the model M 3 , exp (μ) in the model M 4 and Lnormal (μ, 10 6 ) in the model M 5 . However, to achieve the convergence in the models M 4 and M 5 , we applied the μ from the estimates of the Frequentist approach. The best models fitted by the Bayesian method were the M 1 and M 3 . The adequacy of these models was based on the advantages over the Frequentist method such as the reduced computational efforts and the possibility of comparison.Keywords: Bayesian inference, growth curve, modeling.
Modelos de regressão não-linear aplicados à germinação de sementes de Rhipsalis cereuscula Haw (Cactaceae)RESUMO. Neste estudo, foi proposto o ajuste de germinação de sementes pelo modelo Weibull com três parâmetros por meio da metodologia frequentista e da Bayesiana. Na análise Bayesiana foram utilizadas cinco parametrizações para as distribuições a prior não-informativas e foram comparadas quanto ao ajuste. As estimativas dos parâmetros obtidas pela metodologia frequentista foram similares aos da metodologia Bayesiana quando considerado distribuições a priori não-informativas para o vetor de parâmetros: gama (10³, 10³) no modelo M 1 , normal (0, 10 6 ) no modelo M 2 , uniforme (0, L sup ) no modelo M 3 , exp (μ) no modelo M 4 e lognormal (μ, 10 6 ) no modelo M 5 . No entanto, para a convergência nos modelos M 4 e M 5 , foi utilizado para μ os valores obtidos pela metodologia frequentista. Os melhores modelos para a modelagem Bayesiana foram os modelos M 1 e M 3 . Estes modelos foram considerados adequados, tendo como vantagem sobre a metodologia frequentista o menor esforço computacional e a possibilidade de comparação.Palavras-chaves: inferência Bayesiana, curva de crescimento, modelagem.
ABSTRACT. The experiment had the objective of fitting regression models to data of the height of the bedding plants cultivated in three multicellular Styrofoam trays with three different cell volumes. We proposed two types of models in the current experiment. First, we fit a model with normal errors and next a model with a skew-normal distribution of errors. The skew-normal regression was suitable for modelling both cases. First, when the model included the time covariate and next when the cell size covariate was part of the model. However, the value of the parameter for the multivariate model was very high, which is an indication that the skew-normal model is also not the best. Thus, we suggest further fitting using the skew regression model of t-Student.Keyword: skew-normal distribution, parameter estimation, regression with skew-normal errors.Ajuste de modelos de regressão normal com erros assimétricos aplicados à altura de plantas de Stevia rebaudiana (Bert) Bertoni RESUMO. Este trabalho tem por objetivo ajustar modelos de regressão à dados de altura de plantas observados no tempo e cultivados em vasos de diferentes tamanhos. Dois tipos de modelos foram propostos, o modelo de regressão supondo normalidade dos erros e o modelo de regressão supondo erros com distribuição normal assimétrica. O modelo de regressão normal assimétrico mostrou-se mais adequado para a modelagem em duas situações, para o modelo somente com a covariável tempo e também, quando a covariável tamanho do vaso foi incluída no modelo. Todavia, o valor do parâmetro para o modelo multivariado foi muito grande, o que é um indicativo de que o modelo normal assimétrico também não seja o mais adequado. Nesta situação, sugere-se o modelo de regressão t-Student assimétrico.Palavras-chave: distribuição normal assimétrica, estimação de parâmetros, regressão com erros normais assimétricos.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.