Avaliação do Modelo Total de Sucessos (MTS) para Regressão Logística com Erros de Classificação utilizando Distribuições a Priori Normais

Sob o enfoque bayesiano, considera-se o modelo logístico em que a variável resposta está sujeita a erros de classificação. Visando minimizar o impacto desses na estimação dos coeficientes da regressão, propõe-se realizar classificações repetidas e independentes dos elementos amostrais e incorporar ao modelo o número total de sucessos obtidos nessas avaliações. O modelo proposto utiliza diferentes distribuições a priori Normais independentes para os coeficientes de regressão e distribuições a priori independentes Betas para os erros de classificação. Para o processo de inferência a posteriori, utiliza-se abordagem de dados aumentados, Gibbs Sampler e o método de rejeição adaptativo com Metropolis. Comparando-se os resultados obtidos com aqueles em que não há erros de classificação, o MTS apresenta resultados mais satisfatórios na medida em que a distribuição a priori dos erros de classificação e dos coeficientes de regressão é mais informativa e o número de classificações repetidas é maior. Como esperado, os resultados utilizando classificações repetidas são mais satisfatórios que aqueles quando se utiliza apenas uma classificação do elemento.