FCT/CPCA/2021/01
Modelação Bayesiana de Equações Estruturais: Processamento via GPU, vale a pena?
Descrição

A modelação Bayesiana de equações estruturais (BSEM) tem vindo a receber crescente interesse principalmente devido à sua capacidade de resolver alguns dos problemas encontrados na abordagem frequencista convencional (por exemplo, não convergência, casos de Heywood, tamanho da amostra, soluções inadmissíveis) e porque permite ajustar modelos complexos que os métodos clássicos de máxima verossimilhança podem ter dificuldades para estimar (Merkle & Rosseel, 2018). No entanto, a BSEM pode ser computacionalmente intensiva. De facto, o custo computacional da análise Bayesiana prejudicou o uso mais frequente da estatística Bayesiana. O uso de métodos Bayesianos tem melhorado, principalmente devido aos avanços computacionais, fornecendo aos investigadores ferramentas mais flexíveis e poderosas. Atualmente, a análise Bayesiana é um ramo estabelecido da metodologia para estimação de modelos (van de Schoot et al., 2021). Em parte, isso deve-se a dois aspetos: o aumento da popularidade da metodologia Bayesiana e o advento dos métodos Monte Carlo via cadeias de Markov (MCMC; Depaoli, 2021). A estatística Bayesiana beneficia dos métodos MCMC, pois a análise Bayesiana depende muito da integração multidimensional. O MCMC compreende um conjunto de algoritmos computacionais que podem ajudar a resolver situações de modelagem complexas e de elevada dimensionalidade (South et al., 2022). O MCMC pode ajudar a estatística Bayesianas — por exemplo — reconstruindo a distribuição posterior (Depaoli, 2021). O MCMC pode beneficiar muito de um ambiente de computação paralelo, que permita realizar cálculos extensos simultaneamente. Os avanços no hardware do computador de consumo tornam a computação paralela amplamente disponível para a maioria dos utilizadores. Muitas placas gráficas de vídeo de computador suportam computação paralela. O uso das unidades de processamento gráfico (GPU) geralmente proporcionam ganhos significativos em termos de desempenho (Češnovar et al., 2019). Não há dúvidas de que a computação paralela é de grande importância, o uso desta tecnologia pode melhorar muito vários campos da estatística. Um desses campos é a BSEM, portanto, o objetivo deste projeto é entender até que ponto os ganhos de processamento via GPU fazem valer a pena na BSEM.

Parceiros Internos
Centro de Investigação Grupo de Investigação Papel no Projeto Data de Início Data de Fim
BRU-Iscte Grupo de Data Analytics Líder 2022-03-30 2022-09-30
Parceiros Externos
Instituição País Papel no Projeto Data de Início Data de Fim
Universidade do Missouri (MU) Estados Unidos da América Parceiro 2022-03-30 2022-09-30
Equipa de Projeto
Nome Afiliação Papel no Projeto Data de Início Data de Fim
Jorge Sinval Professor Auxiliar Convidado (DMQGE); Investigador Integrado (BRU-Iscte); Investigador Responsável 2022-03-30 2022-09-30
Financiamentos do Projeto
Código/Referência Tipo de Financiamento Entidade Financiadora Programa de Financiamento País Valor Financiado (Global) Valor Financiado (Local) Data de Início Data de Fim
CPCA/A1/435377/2021 Prémio FCT FCT/CPCA/2021/01 Portugal 823 823 2022-03-30 2022-09-30
Outputs (Publicações)

Não foram encontrados registos.

Dados de Investigação Relacionados

Não foram encontrados registos.

Referências nos Media Relacionadas

Não foram encontrados registos.

Outputs (Outros)

Não foram encontrados registos.

Ficheiros do projeto

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-IUL 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.

Modelação Bayesiana de Equações Estruturais: Processamento via GPU, vale a pena?
2022-03-30
2022-09-30