出版社：Grupo de Pesquisa Metodologias em Ensino e Aprendizagem em Ciências
摘要：Modelos lineares generalizados são úteis, dentre outras situações, quando se quer ajustar modelos a dados que não seguem normalidade e não podem ser ajustados usando apenas a regressão linear simples. Outra ferramenta poderosa de estimação são os métodos Bayesianos, baseado em probabilidades condicionais. Neste trabalho apresenta-se um ajuste de modelos de regressão logístico com parâmetros estimado pelo método da máxima verossimilhança que é atualizado usando as técnicas da inferência Bayesiana. Tais métodos foram aplicados em dados obtidos no Instituto de Saúde Elpídio de Almeida que fica localizado no município de Campina Grande - PB. As informações referem-se a pacientes gestantes atendidas nesta unidade de saúde. Objetivou-se obter o melhor modelo possível que nos forneça informação sobre a chance de óbito de uma criança em função de variáveis maternas usando o método de estimação da máxima verossimilhança e o método Bayesiano. Os ajustes e diagnósticos dos modelos foram realizados com auxílio do software R. Contatou-se que o modelo estimado pela máxima verossimilhança é muito próximo do modelo Bayesiano.
其他摘要：Generalized linear models are useful, among other situations, when you want to fit models to data that do not follow normality and cannot be adjusted using only simple linear regression. Another powerful estimation tool is the Bayesian methods, based on conditional probabilities. This work presents an adjustment of logistic regression models with parameters estimated by the maximum likelihood method, which is updated using Bayesian inference techniques. Such methods were applied to data obtained at the Instituto de Saúde Elpídio de Almeida, which is located in the city of Campina Grande - PB. The information refers to pregnant patients seen at this health unit. The objective was to obtain the best possible model that provides us with information about the chance of death of a child due to maternal variables using the maximum likelihood estimation method and the Bayesian method. The adjustments and diagnostics of the models were performed with the aid of the R software. It was found that the model estimated by the maximum likelihood is very close to the Bayesian model.
