A modelação Bayesiana de equações estruturais (BSEM) tem recebido um interesse crescente, principalmente devido à sua capacidade de resolver alguns dos problemas encontrados na abordagem frequencista dominante (por exemplo, não convergência, casos de Heywood, limitações do tamanho da amostra e soluções inadmissíveis). Além disso, a BSEM permite a estimação de modelos complexos que os métodos clássicos de máxima verosimilhança podem ter dificuldade em lidar. Um componente crítico de qualquer análise Bayesiana é a distribuição a priori dos parâmetros desconhecidos do modelo. Uma distinção chave entre a modelação Bayesiana de equações estruturais e a modelação frequencista de equações estruturais é o uso de priors. Os investigadores podem ser céticos quanto à subjetividade das distribuições a priori e ao seu impacto na modelação Bayesiana. No entanto, os priors são uma vantagem importante da utilização da estatística Bayesiana, pois permitem que conhecimento prévio seja incluído de forma transparente e direta na estimação do modelo. A eliciação adequada dos priors é essencial para traduzir o conhecimento e a decisão sobre um fenómeno numa distribuição de probabilidade. Os priors permitem a quantificação da incerteza e encapsulam o conhecimento disponível sobre os parâmetros antes de observar os dados. Existem várias maneiras de traduzir o conhecimento prévio em parâmetros de distribuição. Os resultados mostram que os investigadores tendem a confiar em priors fracamente informativos (ou seja, priors de reduzida variância). No entanto, a eliciação de priors na modelação Bayesiana de equações estruturais ainda tem um longo caminho a percorrer em termos de desenvolvimento e adoção generalizada.

O principal desafio deste projeto reside na eliciação e incorporação eficaz do conhecimento prévio na Modelagem de Equações Estruturais Bayesiana (BSEM). Os investigadores frequentemente lutam com a subjetividade e a escolha apropriada de distribuições a priori, o que pode impactar substancialmente as estimativas do modelo e as interpretações da distribuição a posteriori. Além disso, o projeto visa abordar as exigências computacionais associadas ao ajuste de modelos complexos, exigindo recursos substanciais de computação de alto desempenho.

Não foram encontrados registos.

Não foram encontrados registos.

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.