Résumé
Em muitas aplicações os dados podem ser divididos em grupos que impõem, de forma natural, uma estrutura hierárquica. Por exemplo, se o interesse fosse avaliar o desempenho acadêmico dos departamentos de uma universidade, um modelo de regressão que relacionasse a força de trabalho do departamento e a sua produção acadêmica poderia ser adotado. É evidente que este modelo não representaria adequadamente os dados se não considerasse as possíveis diferenças dentro de cada centro de pesquisa. Por outro lado, poderia se pensar em adotar um modelo para cada centro, mas neste caso a informação sobre o conjunto seria ignorada. Um modelo mais realístico deveria permitir estimar o desempenho dos departamentos, dentro de seus respectivos centros, considerando também a informação sobre o todo, o que pode ser contemplado pela formulação dos modelos hierárquicos. Esta forma de modelagem permite a obtenção de estimativas individuais mais concentradas e se utiliza da informação contextual para contrair os estimadores individuais, em direção uns aos outros, amortecendo parte da variabilidade presente nestes estimadores. Dessa forma, considerando a importância dos modelos hierárquicos ou multiníveis, no desenvolvimento de aplicações em diversas áreas do conhecimento, o principal objetivo deste minicurso é fornecer uma introdução para formulação, ajuste e avaliação destes modelos, utilizando abordagem bayesiana. Para atingir tais objetivos este minicurso abordará inferência bayesiana, estatística computacional e modelagem de problemas reais. No que se refere ao desenvolvimento das aplicações envolvendo dados reais, será explorada a utilização de modelos hierárquicos em vários domínios de aplicação da Estatística como, por exemplo, Avaliação de Desempenho, Atuária, Demografia, Amostragem de Populações Finitas e Curvas de Crescimento. A análise desses modelos, estocasticamente complexos, demanda métodos numéricos eficientes para a integração e otimização. Para isto, será utilizado o software WinBUGS (Bayesian Analysis Using Gibbs Sampler for Windows), de domínio público, capaz de ajustar uma gama enorme de modelos