A Modelação Bayesiana de Equações Estruturais (BSEM) tem recebido atenção significativa devido à sua capacidade de resolver problemas comuns encontrados nas abordagens frequentistas, como a não convergência, os casos de Heywood, as limitações do tamanho da amostra e as soluções inadmissíveis. Além disso, a BSEM pode estimar modelos complexos com os quais os métodos clássicos de máxima verosimilhança frequentemente se debatem. Um componente crucial da BSEM é a incorporação de conhecimento prévio através de distribuições a priori, o que oferece uma vantagem única sobre os métodos frequentistas, ao permitir que informações previamente conhecidas sejam incluídas de forma transparente nas especificações do modelo. A elicitação apropriada de priors é essencial para traduzir o conhecimento do domínio em distribuições de probabilidade, melhorando assim a precisão e a fiabilidade do modelo. Apesar disso, o desenvolvimento e a adoção generalizada de técnicas robustas de elicitação de priors em BSEM permanecem limitados.

Este projeto visa avançar o campo da BSEM através de métodos computacionais inovadores e aplicações práticas, com foco no processamento por GPU e no seu potencial para aumentar a eficiência dos cálculos bayesianos. Ao aproveitar as capacidades de computação paralela fornecidas pelas unidades de processamento gráfico modernas, o projeto procura acelerar significativamente os processos computacionais envolvidos na BSEM. Adicionalmente, o projeto explorará o uso da BSEM no desenvolvimento de instrumentos psicométricos, empregando técnicas como o Markov Chain Monte Carlo (MCMC) utilizando o No-U-Turn Sampler (NUTS) para a estimação de modelos latentes. Estas inovações prometem oferecer insights mais profundos sobre a precisão da medição e melhorar a validade dos instrumentos psicométricos em diversas populações.

Os resultados esperados deste projeto incluem uma melhor eficiência computacional, estimações de modelo otimizadas e uma maior adoção dos métodos bayesianos em contextos de investigação aplicada. Ao abordar desafios teóricos e práticos, este projeto visa contribuir para o uso mais amplo da BSEM na análise psicométrica.

A BSEM exige cálculos intensivos, especialmente para modelos de alta dimensionalidade, limitando seu uso prático. Este projeto visa melhorar a eficiência através da computação paralela com GPUs, tornando os métodos bayesianos mais acessíveis.

A elicitação adequada de priors é vital, mas pouco desenvolvida. Este projeto busca usar frameworks padronizados para melhorar a precisão e a fiabilidade dos modelos.

Métodos psicométricos tradicionais enfrentam dificuldades com a incerteza e a integração de conhecimento prévio. Este projeto adaptará a BSEM para o desenvolvimento psicométrico utilizando técnicas avançadas de amostragem como MCMC (e.g., NUTS).

Não foram encontrados registos.

Não foram encontrados registos.

Não foram encontrados registos.

Não foram encontrados registos.

Não foram encontrados registos.

Com o objetivo de aumentar a investigação direcionada para o cumprimento dos Objetivos do Desenvolvimento Sustentável para 2030 das Nações Unidas, é disponibilizada no Ciência_Iscte a possibilidade de associação, quando aplicável, dos projetos científicos aos Objetivos do Desenvolvimento Sustentável. Estes são os Objetivos do Desenvolvimento Sustentável identificados para este projeto. Para uma informação detalhada dos Objetivos do Desenvolvimento Sustentável, clique aqui.