Detecção de Clusters Espaciais Em Modelos de Regressão Poisson Duplo com Inflação de Zeros
|
|
- Thomaz Peixoto
- 5 Há anos
- Visualizações:
Transcrição
1 Detecção de Custers Espaciais Em Modeos de Regressão Poisson Dupo com Infação de Zeros José Cardoso Neto a, Luiz H. Duczma b, Max S. de Lima a and Letícia P. Pinto b a Universidade Federa do Amazonas, b Universidade Federa de Minas Gerais 1. Introdução Recentemente a Estatística Scan (Kudorff 1997) têm sido extendida para acomodar ajuste por covariáveis (Loh, 2007; Jung, 2009; Zhang and Lin, 2009) usando a regressão de Poisson. No entanto, na presença simutânea da sobredispersão e infação de zeros, esta Estatística apresenta um excessivo erro tipo I (Lima et a, 2013). Sem ajuste por covariáveis, Cançado et a (2014) propôs uma Estatística Scan para o modeo Poisson com excesso de zeros ZIP, Zhang et a (2012) desenvoveram esta estatística em modeos de mistura Poisson-Gamma para dados com sobredispersão e uma Estatística Scan simutânea para modeos com excesso de zeros e sobredispersão foi proposta por Lima et a, (2013). Geramente o ajuste por covariáve tem sido reaizado somente na média do modeo. No entanto, se uma covariáve está reacionada com a não ocorrência da doença e sua distribuição geográfica não é aeatória, pode-se detectar custers espaciais de regiões com pequenas taxas que não são interessantes e sua interpretação pode ser errônea. Esses custers podem ser expicados simpesmente pea distribuição espacia destas covariáveis. Por exempo, o não registro de casos de câncer de mama em cidades onde não existe mamógrafos. Por isso, Neste artigo, uma modeagem via Regressão de Poisson Dupo em dados com execesso e sobredispersão é proposta para construir uma nova Estatística Scan onde todos os parâmetros são ajustados por covariáveis. A estimação é reaizada via agortimo EM, a estatística de teste é ogarítmo da Razão de Verossimihança e a significância é avaiada usando o vaor-p Bootstrap- EM. Uma iustração do método é feita usando dados de casos de Haseníase no Estado do Amazonas-Brasi. autor correspondente: J., Cardoso Neto(jcardoso@ufam.edu.br) 353
2 2. Estatística Scan para o Modeo de Regressão ZIDP(µ, φ, p ) 2.1 O Modeo de Regress ao ZIDP(µ, φ, p ) Suponha que existam L ocaizações s e seja Y = (Y (s 1 ),..., Y (s L )), onde Y Y (s ) é a variáve aeatória que representa a contagem de casos de uma determinada doença em s com popuação em risco n e vaor observado y. O modeo proposto neste artigo é o de Regressão Poisson Dupo Infacionado de Zeros, denotado por ZIDP(µ, φ, p ), = 1, 2,..., L, o qua assume P (Y = y p, µ, φ ) = p + (1 p )f DP (0 µ, φ ) y = 0 (1 p )f DP (y µ, φ ) y = 1, 2,... (2.1) onde f DP (. µ, φ ) denota a função de probabiidade da distribuição Poisson Dupa aproximada por (veja Efron, 1986), f DP (y µ, φ ) = φ 1/2 Poisson(y ) exp φ 2 D (y, µ ) (2.2) em que D (y, µ ) é a função desvio do modeo Poisson(µ ). Os parâmetros p = (p 1,..., p L ), µ = (µ 1,..., µ L ) e φ = (φ 1,..., φ L ) são modeados através das funções de igação ogit(p ) = G γ, og(µ ) = B β e ogit(φ ) = H δ. Onde, (β, δ, γ) são os parâmetros da regressão, (B,H,G) são as correspondentes matrices do modeo e não, necessariamente, precisam ser distintas. Neste modeo, um zero ocorre com probabiidade p enquanto a outra parte envove uma distribuição Poisson Dupo, DP(µ, φ ), com probabiidade 1 p. 2.2 Estatística de Teste Suponha que os dados Y = (Y (s 1 ),..., Y (s L )) são modeados por um modeo de regressão ZIDP(µ i, φ i, p i ). Assuma que neste modeo o og(µ ) = B β+ogɛ se s Z, e og(µ ) = B β se s / Z. Onde Z é um conjunto de ocaizações espaciais candidato a custer. Para detecção do custer usamos o teste de hipóteses, H 0 : ɛ = 1, para toda zona Z Z contra H 1 : ɛ > 1 para aguma zona Z Z. Em que Z é o conjunto de todos os possíveis candidatos a custer. O parâmetro ɛ captura o risco reativo ajustado por covariáve para indivíduos dentro da zona Z comparado com os indivíduos fora de Z. O interesse é a detecção de custers com número de casos observados, significativamente, acima do esperado e procedemos da seguinte forma: Seja ˆθ 0 = ( ˆβ 0, ˆδ 0, ˆγ 0 ) o Estimador de Máxima Verossimihança para os parâmetros da regressão sob a hipótese nua e ˆɛ o estimador de Máxima Verossimihança de ɛ sob a hipótese aternativa 354
3 ta que sob H 0 teremos, ogit(ˆp 0 ) = Gˆγ 0, og(ˆµ 0 ) = B ˆβ 0 e ogit( ˆφ 0 ) = Hˆδ 0. Sob H 1, o vetor de coeficientes θ = (β, δ, γ) é fixado usando as estimativas sob o modeo nuo. Ou seja, sob o modeo aternativo com mudança na média teremos, ˆµ = exp B ˆβ0 + ogˆɛ = ˆɛe B β ˆ 0 s Z e ˆµ = e B β ˆ 0 s / Z. Neste caso os coeficiente das covariáveis que são usadas para ajuste da média, infação de zeros e sobredispersão, permanecem iguais mesmo para a varredura espacia de conjuntos distintos. A estatística de teste utiizada é D = max D Z. Onde, D Z = Z Z ogl Z (ˆθ 0, ˆɛ; y) ogl 0 (ˆθ 0, 1; y) com L Z (θ, ɛ; y) representando a verossimihança sob H 1 para uma particuar zona Z e L 0 (θ, 1; y) é a verossimihança sob H 0. Se ɛ = 1 teremos D Z = 0, caso contrário D Z = og eg ˆγ 0 + (1 + e H ˆδ0 ) 1/2 exp ˆɛe B ˆβ 0/(1 + e H ˆδ0 ) I(y = 0) s Z e G ˆγ 0 + (1 + e H ˆδ 0) 1/2 exp e B ˆβ 0 /(1 + e H ˆδ 0) + s Z(1 + e H ˆδ 0 ) 1 (y ogˆɛ e B ˆβ 0 (ˆɛ 1))I(y > 0). 2.3 Estimação dos parâmetros A estimação no modeo é reaizada usando o agoritmo EM (Expectation-Maximization). Para tanto, seja o vetor de variáveis atentes U = (U 1,..., U L ). Onde, U = 1 quando Y ocorre devido a um estado zero e U = 0 quando Y ocorre devido a um modeo Poisson Dupo. Então as verossimihanças aumentadas são, L a Z(θ; y, u) = s Z p u [(1 p )f DP (y µ, φ )] 1 u s / Z p u [(1 p )f DP (y µ, φ )] 1 u. L a 0(θ; y, u) = s p u [(1 p )f DP (y µ, φ )] 1 u. Marginamente Y ZIDP(µ, φ, p ). Para obter ˆθ 0 = ( ˆβ 0, ˆδ 0, ˆγ 0 ) maximizamos a função 0 a(θ, 1; y, u) = og La 0 (θ; y, u) usando o agoritmo EM: No passo E: Na k-ésima iteração substituimos u (k) por E(u y, θ (k) ), onde θ (k) = (β (k), δ (k), γ (k) ). No passo M: Na (k+1)-ésima iteração maximizamos 0 a(θ, 1; y, u(k) ) = E 0 a (θ, 1; y, u) y, θ(k) Esta maximização é reaizada via o agoritmo Newton-Rapshon Score de Fisher (NRSF), ta que θ (k+1) = θ (k) +I(θ (k) ) 1 S(θ (k) ). Onde, S(θ) é a função escore e I(θ) é a matirz de Informação de Fisher sob a hipótese nua. Na (k+1)-ésima 355
4 iteração maximizando a função a Z (ˆθ 0, ɛ; y, u (k) ) com respeito a ɛ obtemos, ˆɛ = ɛ (k+1) = s Z (1 u(k) )(1 + e H ˆδ 0 ) 1 y s Z (1 u(k) )(1 + e H ˆδ 0) 1 e B ˆβ Bootstrap-EM for p-vaue of the Spatia Scan proposed Agoritmo Bootstrap-EM para D. 1. Baseado nos dado reais y = (y 1,..., y L ) e matrizes de covariáveis (B, H, G), use o agoritmo EM e compute ( ˆβ 0, ˆδ 0, ˆγ 0 ) e ɛ. Derive o vaor observado de D e denote por ˆd Q. 2. Gere amostras bootstrap yq = (y1,q,..., y L,q ) de ZIDP(µ ( ˆβ 0 ), φ (ˆδ 0 ), p (ˆγ 0 )), = 1, 2,..., L. 3. Com base nos dados gerados em 2, use o agoritmo EM e compute os pseudos estimadores ( ˆβ 0, ˆδ 0, ˆγ 0). Derive o pseudo vaor de Dq e denote por ˆd b. 4. Repitindo os passos 2 e 3 para q = 1,..., Q 1 compute o p-vaor para D por p vaor p vaor (D) = 1 Q Q q=1 I( ˆd ˆd b ) 3. Apicação e discussões Nesta apicação utiizamos dados de novos casos de Haseníase em menores de 15 que ocorreram nos 62 municípios do Estado do Amazonas, Brasi Foram observados 190 novos casos com uma taxa de por habitantes. A média e variancia forma respectivamente and Em 30 municípios (48%) não foram registrados novos casos da doença. Na maioria dos municípios o teste para detecção da doença não é reaizado e por isso usamos a distância padronizada entre o i-ésimo município e a capita do estado Manaus (área desenvovida) como covariáve de ajuste para infação de zeros. Como a Haseníase é uma doença associada a condições de vida da popuação, usamos para ajuste na média o Índice de Vunerabiidade Socia do município(ivs). Nesta apicação, a sobredispersão é estimada sem o ajuste por covariáve. Após a apicação do método descrito na seção 2, obtivemos as estimativas β = ( , ), γ = ( , ), φ = e ɛ = O vaor-p observado foi e o custer detectado é apresentado na Figura Concusões Neste artigo foi proposta uma Nova Estatística Scan ajustada por covariáveis para detecção de custer espaciais em dados com sobredispersão e infação de zeros. Um 356
5 Figura 5.1: Custer detectado à esquerda; mapa de taxa de novos casos à direita agoritmo EM foi desenvovido para estimação dos parâmetros e a significância do custer foi avaiada via vaor-p Bootstrap. O resutado de nossa apicação sugere que a metodoogia proposta é bem efetiva na detecção do custer e pode ser facimente modificada para utiização em probemas de vigiância epidemioógica no espaço-tempo. References Cançado A., da Siva C. and da Siva M.(2013) A zero-infated Poisson-based spatia scan statistic. Submitted. Efron, B. (1986) Doube Exponentia Famiies and Their Use in Generaized Linear Regression, JASA., 81, Kudorff, M. (1997) A spatia scan statistic. Communs Statist. Theory Meth., 26, Lima, M. S. ; Duczma, L.H ; Cardoso Neto, J. ; Pinto, L. P.(2013). Spatia Scan Statistics for Modes with Overdispersion and Excess Zeros. Submitted. Meng, B.J., Zhu Z.(2007) Accounting for spatia correation in the Scan Statitics. The Annas of Appied Statistics, 2, Zhang, T., Lin, G. (2009) Spatia scan statistics in oginear modes Computationa Statistics and Data Anaysis, 53, Zhang, T., Zhang Z.; Lin G.,(2012) Spatia scan statistics with overdispersion. Statatistics Medicine, 2 (8):
Tema Tendências em Matemática Aplicada e Computacional, 15, N. 1 (2014), 59-71
Tema Tendências em Matemática Apicada e Computaciona, 5, N. (204, 59-7 204 Sociedade Brasieira de Matemática Apicada e Computaciona www.scieo.br/tema doi: 0.5540/tema.204.05.59 Estimação dos Parâmetros
Leia maisUniversidade Federal de Pernambuco Centro de Ciências Exatas e da Natureza Departamento de Estatística
Universidade Federa de Pernambuco Centro de Ciências Exatas e da Natureza Departamento de Estatística Pós-graduação em Estatística Modeos Não Lineares Generaizados com Superdispersão Maria Lídia Coco Terra
Leia maisUniversidade Federal de Minas Gerais Instituto de Ciências Exatas
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Programa de Pós-Graduação em Estatística Detecção de clusters espacias e espaço-temporais em modelos com excesso de zeros e sobredispersão
Leia maisModelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados
Modelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados Erica Castilho Rodrigues 23 de Maio de 207 Introdução 2 3 Vimos como encontrar o EMV usando algoritmos numéricos. Duas possibilidades:
Leia maisHELOISA DE MELO RODRIGUES
UNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE CIÊNCIAS EXATAS E DA NATUREZA PÓS-GRADUAÇÃO EM ESTATÍSTICA TÉCNICAS DE DIAGNÓSTICO NOS MODELOS LINEARES GENERALIZADOS COM SUPERDISPERSÃO HELOISA DE MELO RODRIGUES
Leia maisUNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE CIÊNCIAS EXATAS E DA NATUREZA PÓS-GRADUAÇÃO EM ESTATÍSTICA
UNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE CIÊNCIAS EXATAS E DA NATUREZA PÓS-GRADUAÇÃO EM ESTATÍSTICA VEROSSIMILHANÇA PERFILADA NOS MODELOS LINEARES GENERALIZADOS COM SUPERDISPERSÃO THIAGO ALEXANDRO
Leia mais5 Estimação de Parâmetros utilizando o Algoritmo SAGE
5 Estimação de Parâmetros utiizando o Agoritmo SAGE Recentemente, vários agoritmos de ata resoução tem sido usados para estimar os parâmetros do cana com objetivo de vaidar as modeagens espaço temporais.
Leia maisREFINAMENTOS DE TESTES NA CLASSE DOS MODELOS NÃO-LINEARES SIMÉTRICOS HETEROSCEDÁSTICOS. Mariana Correia de Araújo
REFINAMENTOS DE TESTES NA CLASSE DOS MODELOS NÃO-LINEARES SIMÉTRICOS HETEROSCEDÁSTICOS Mariana Correia de Araújo Orientadora: Prof a Dr a Lourdes Cora Contreras Montenegro Co-orientadora: Prof a Dr a Audrey
Leia maisDisciplina de Modelos Lineares Professora Ariane Ferreira
Disciplina de Modelos Lineares 2012-2 Regressão Logística Professora Ariane Ferreira O modelo de regressão logístico é semelhante ao modelo de regressão linear. No entanto, no modelo logístico a variável
Leia maisModelos de Regressão Linear Simples - parte II
Modelos de Regressão Linear Simples - parte II Erica Castilho Rodrigues 14 de Outubro de 2013 Erros Comuns que Envolvem a Análise de Correlação 3 Erros Comuns que Envolvem a Análise de Correlação Propriedade
Leia maisAnálise de Regressão EST036
Análise de Regressão EST036 Michel Helcias Montoril Instituto de Ciências Exatas Universidade Federal de Juiz de Fora Regressão sem intercepto; Formas alternativas do modelo de regressão Regressão sem
Leia maisAnálise matricial de estruturas não-lineares usando o Método de Newton.
Anáise matricia de estruturas não-ineares usando o Método de Newton. Exercício Computaciona - MAP3121 1 Primeiro probema 1.1 Descrição da estrutura não-inear Considere um sistema formado por três barras
Leia maisAPERFEIÇOAMENTO DE TESTES DE HIPÓTESES PARA MODELOS NÃO-LINEARES SIMÉTRICOS KATYA SILENE PORTO RODRIGUES BRAGA
APERFEIÇOAMENTO DE TESTES DE HIPÓTESES PARA MODELOS NÃO-LINEARES SIMÉTRICOS KATYA SILENE PORTO RODRIGUES BRAGA Orientadora: Prof. Dra. Audrey Heen Mariz de Aquino Cysneiros Co-orientador: Prof. Dr. Francisco
Leia maisAnálise univariada e Multivariada no mapeamento genético da pressão arterial
Anáise univariada e Mutivariada no mapeamento genético da pressão arteria Nubia Esteban Duarte 1, Júia Maria Pavan Soer, 1 e Aexandre Pereira, 2 1 Universidade de São Pauo (USP) nubiaest@ime.usp.br 2 Laboratório
Leia maisIntrodução ao modelo de Regressão Linear
Introdução ao modelo de Regressão Linear Prof. Gilberto Rodrigues Liska 8 de Novembro de 2017 Material de Apoio e-mail: gilbertoliska@unipampa.edu.br Local: Sala dos professores (junto ao administrativo)
Leia maisANÁLISE DE CONGLOMERADOS DE ACIDENTES DE TRÂNSITO UTILIZANDO GOOGLE MAPS E ESTATÍSTICA ESPACIAL
Simpósio Brasieiro de Pesquisa Operaciona A Pesquisa Operaciona na busca de eficiência nos serviços púbicos e/ou privados ata/r AÁLISE DE COGLOMERADOS DE ACIDETES DE TRÂSITO UTILIZADO GOOGLE MAPS E ESTATÍSTICA
Leia maisExemplos Regressão Dados de Contagem
Exemplos Regressão Dados de Contagem p. 1/26 Exemplos Regressão Dados de Contagem Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre de 2011 Exemplos
Leia maisMAE0212 Introdução à Probabilidade e Estatística II
MAE01 Introdução à Probabilidade e Estatística II Gabarito-Lista 3 Exercicio 1 (a) Cada X i N(µ, σ ). Tamanho da amostra n = 9, desvio padrão σ =. A amostra é: 4.9, 7.0, 8.1, 4.5, 5.6, 6.8, 7., 5.7, 6..
Leia maisComparação entre intervalos de confiança calculados com métodos bootstrap e intervalos assintóticos
Comparação entre intervalos de confiança calculados com métodos strap e intervalos assintóticos Selene Loibel Depto. de Estatística, Matemática Aplicada e Computação, IGCE, UNESP, Rio Claro, SP E-mail:sloibel@rc.unesp.br,
Leia maisTécnicas computacionais em probabilidade e estatística II
Técnicas computacionais em probabilidade e estatística II Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco AULA 1: Problemas Computacionais em Inferência Estatística.
Leia maisRegressão de Poisson e parentes próximos
Janeiro 2012 Família Exponencial Seja Y uma variável aleatória. A distribuição de probabilidade de Y pertence à família exponencial se a sua função densidade de probabilidade é da forma ( ) yθ b(θ) f (y
Leia maisModelos Lineares Generalizados - Verificação do Ajuste do Modelo
1 Modelos Lineares Generalizados - Verificação do Ajuste do Modelo Erica Castilho Rodrigues 9 de Abril de 2015 2 3 Função Deviance Podemos ver o ajuste de um modelo a um conjunto de dados como: uma forma
Leia maisAbordagem Bayesiana adaptativa para Vigilância online de Clusters Espaciais. Resumo
Abordagem Bayesiana adaptativa para Vigilância online de Clusters Espaciais Max Sousa de Lima 1 Luiz Henrique Duczmal 2 Resumo Nesta trabalho, nós desenvolvemos um método Bayesiano para modelagem, detecção
Leia maisUNIVERSIDADE FEDERAL DE SANTA CATARINA
UNIVERSIDADE FEDERAL DE SANTA CATARINA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO MELHORIA DOS ESTIMADORES DE MÁXIMA VEROSSIMILHANÇA DOS SUBMODELOS NÃO-LINEARES DA FAMÍLIA EXPONENCIAL DE DISPERSÃO
Leia maisMÉTODO MEAN SHIFT PARA DETECÇÃO DE OUTLIERS EM MODELOS NORMAIS ASSIMÉTRICOS
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA MÉTODO MEAN SHIFT PARA DETECÇÃO DE OUTLIERS EM MODELOS NORMAIS ASSIMÉTRICOS Thalita do Bem Mattos Clécio da
Leia maisModelos de Regressão Linear Simples - parte III
1 Modelos de Regressão Linear Simples - parte III Erica Castilho Rodrigues 20 de Setembro de 2016 2 3 4 A variável X é um bom preditor da resposta Y? Quanto da variação da variável resposta é explicada
Leia maisAnálise de Dados Categóricos
1/43 Análise de Dados Categóricos Modelo de Regressão de Poisson Enrico A. Colosimo/UFMG http://www.est.ufmg.br/ enricoc/ Departamento de Estatística Universidade Federal de Minas Gerais 2/43 Revisão:
Leia maisModelo de regressão estável aplicado a econometria
Modelo de regressão estável aplicado a econometria financeira Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio@ufpr.br 1 Objetivos
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário (bootstrap) Este método foi proposto por Efron
Leia maisEstimadores, pontual e intervalar, para dados com censuras intervalar
Estimadores, pontual e intervalar, para dados com censuras intervalar Débora Ohara, Estela Maris Pereira Bereta, Teresa Cristina Martins Dias Resumo Dados com censura intervalar ocorrem com frequência
Leia maisExemplos Modelos Binomiais de Dose-Resposta
Exemplos Modelos Binomiais de Dose-Resposta p. 1/14 Exemplos Modelos Binomiais de Dose-Resposta Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre
Leia mais4 Modelos Lineares Generalizados
4 Modelos Lineares Generalizados Neste capítulo, serão apresentados arcabouços teóricos dos modelos lineares generalizados (MLGs) e como casos particulares desses modelos são aplicáveis ao problema da
Leia maisCapítulo 9 - Regressão Linear Simples (RLS): Notas breves
Capítulo 9 - Regressão Linear Simples RLS: Notas breves Regressão Linear Simples Estrutura formal do modelo de Regressão Linear Simples RLS: Y i = β 0 + β 1 x i + ε i, 1 onde Y i : variável resposta ou
Leia maisExperimentos Fatoriais
Experimentos Fatoriais Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha 14 de março de 2019 Londrina Nos experimentos mais simples comparamos níveis (tratamentos) de apenas um fator; Nos experimentos
Leia maisCoeficiente de determinação R 2 no modelo de regressão linear normal
Coeficiente de determinação R 2 no modelo de regressão linear normal Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio@ufpr.br
Leia maisCE085 - Estatística Inferencial. derivadas. Prof. Wagner Hugo Bonat. 5 de setembro de Curso de Bacharelado em Estatatística
CE085 - Estatística Inferencial Função de Verossimilhança e suas derivadas Prof. Wagner Hugo Bonat Laboratório de Estatística e Geoinformação - LEG Curso de Bacharelado em Estatatística Universidade Federal
Leia maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S Silva http://wwwimufrjbr/ralph/multivariadahtml Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Revisão:
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ CURSO ESTATÍSTICA DENNIS LEÃO GRR LUAN FIORENTIN GRR
UNIVERSIDADE FEDERAL DO PARANÁ CURSO ESTATÍSTICA DENNIS LEÃO GRR - 20160239 LUAN FIORENTIN GRR - 20160219 MODELAGEM DE DADOS DE ÓBITOS POR AGRESSÕES NO ESTADO DE SÃO PAULO NO ANO DE 2016 CURITIBA Novembro
Leia maisMAE0229 Introdução à Probabilidade e Estatística II
Exercício Entre jovens atletas, um nível alto de colesterol pode ser considerado preocupante e indicativo para um acompanhamento médico mais frequente. Suponha que são classificados como tendo taxa de
Leia maisFundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia. Estatística espacial. Padrão Pontual
Fundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia Estatística espacial Padrão Pontual Padrão de Pontos A análise de padrão de pontos, é o tipo mais simples de análise
Leia maisINTRODUÇÃO À ROBÓTICA MÓVEL
INTRODUÇÃO À ROBÓTICA MÓVEL Aua 25 Edson Prestes Departamento de Informática Teórica http://www.inf.ufrgs.br/~prestes prestes@inf.ufrgs.br Locaização Fitragem de Kaman Fitragem de kaman fornece uma abordagem
Leia maisDistribuições Amostrais e Estimação Pontual de Parâmetros
Distribuições Amostrais e Estimação Pontual de Parâmetros - parte I 19 de Maio de 2011 Introdução Objetivos Ao final deste capítulo você deve ser capaz de: Entender estimação de parâmetros de uma distribuição
Leia maisMarkov Switching Models. Profa. Airlane Alencar. Depto de Estatística - IME-USP. lane. Ref: Kim e Nelson (1999) e Hamilton (1990)
Markov Switching Models Profa. Airlane Alencar Depto de Estatística - IME-USP www.ime.usp.br/ lane Ref: Kim e Nelson (1999) e Hamilton (1990) 1 Objetivo Mudança nos parâmetros de um modelo de regressão
Leia maisModelos Lineares Generalizados
Modelos Lineares Generalizados Emilly Malveira de Lima Análise de Dados Categóricos Universidade Federal de Minas Gerais - UFMG 10 de Maio de 2018 Emilly Malveira (PGEST-UFMG) 10 de Maio de 2018 1 / 20
Leia maisInferência Estatistica
Inferência Estatistica Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Modelos e Inferência Um modelo é uma simplificação da realidade (e alguns
Leia maisMODELOS DE REGRESSÃO PARA DADOS CONTÍNUOS ASSIMÉTRICOS
MODELOS DE REGRESSÃO PARA DADOS CONTÍNUOS ASSIMÉTRICOS 1 Diversas distribuições podem ser consideradas para a modelagem de dados positivos com distribuição contínua e assimétrica, como, por exemplo, as
Leia maisExemplos Equações de Estimação Generalizadas
Exemplos Equações de Estimação Generalizadas Bruno R. dos Santos e Gilberto A. Paula Departamento de Estatística Universidade de São Paulo, Brasil giapaula@ime.usp.br Modelos Lineares Generalizados dos
Leia maisModelos Lineares Generalizados - Componentes do Modelo
Modelos Lineares Generalizados - Componentes do Modelo Erica Castilho Rodrigues 01 de Abril de 2014 3 Vejamos agora quais as componentes de um Modelo Linear Generalizado. Temos um conjunto de variáveis
Leia maisInfluência Local Gilberto A. Paula
Influência Local p. 1/18 Influência Local Gilberto A. Paula Instituto de Matemática e Estatística Universidade de São Paulo e-mail:giapaula@ime.usp.br Influência Local p. 2/18 Preliminares O método de
Leia maisModelos para dados de contagem
O modelo de Poisson Sumário 1 Introdução 2 Regressão de Poisson Taxa de Incidência Inclusão de covariáveis Interpretação dos parâmetros 3 Exemplos 4 Superdispersão Dados de Contagem Podemos estar interessados
Leia maisModelos Lineares Generalizados - Análise de Resíduos
Modelos Lineares Generalizados - Análise de Resíduos Erica Castilho Rodrigues 15 de Maio de 2014 Tipos de Resíduos 3 Assim como em Regressão Linear, também precisamos fazer Análise de Resíduos para os
Leia maisANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS Ralph S. Silva http://www.im.ufrj.br/ralph/seriestemporais.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Estimação
Leia maisProcessamento de erros grosseiros - Identiمحcaچcﷺao
Processamento de erros grosseiros - Identiمحcaچcﷺao Método ˆb Base: variável ˆβ interpretada como uma estimativa do erro associado à medida; verificação da magnitude do erro com relação a faixa esperada
Leia maisAula 2 Uma breve revisão sobre modelos lineares
Aula Uma breve revisão sobre modelos lineares Processo de ajuste de um modelo de regressão O ajuste de modelos de regressão tem como principais objetivos descrever relações entre variáveis, estimar e testar
Leia maisModelos Lineares Generalizados - Análise de Resíduos
Modelos Lineares Generalizados - Análise de Resíduos Erica Castilho Rodrigues 28 de Junho de 2013 3 Assim como em Regressão Linear, também precisamos fazer Análise de Resíduos para os MLG s. São semelhantes
Leia maisAULA 7 - Inferência em MQO: ICs e Testes de
AULA 7 - Inferência em MQO: ICs e Testes de Hipóteses Susan Schommer Econometria I - IE/UFRJ Nosso primeiro objetivo aqui é relembrar a diferença entre estimação de ponto vs estimação de intervalo. Vamos
Leia maisModelos com erros nas variáveis: teoria e
Modelos com erros nas variáveis: teoria e aplicações Alexandre Galvão Patriota Agradecimentos à Fapesp, Cnpq e Capes pelo apoio financeiro Alexandre G. Patriota (patriota@ime.usp.br) Modelos com erros
Leia maisINTRODUÇÃO A ECONOMETRIA
INTRODUÇÃO A ECONOMETRIA Análise de regressão e uso do Eviews Introdução O modelo de regressão linear se utiliza para estudar a relação que existe entre uma variável dependente e uma ou várias variáveis
Leia maisExemplos Modelos de Quase-Verossimilhança
Exemplos Modelos de Quase-Verossimilhança p. 1/40 Exemplos Modelos de Quase-Verossimilhança Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre de
Leia maisUm Método para o Cálculo da Inversa de Matrizes Simétricas e Positivas Definidas em Bloco
Proceeding Series of the Braziian Society of Appied and Computationa Mathematics, Vo 5, N 1, 2017 Trabaho apresentado no CNMAC, Gramado - RS, 2016 Proceeding Series of the Braziian Society of Computationa
Leia maisCapítulo 9 - Regressão Linear Simples (RLS): Notas breves
Capítulo 9 - Regressão Linear Simples RLS: Notas breves Regressão Linear Simples Estrutura formal do modelo de Regressão Linear Simples RLS: Y i = β 0 + β 1 x i + ε i, 1 onde Y i : variável resposta ou
Leia maisCapítulo 10 - Identificação de Sistemas Não Lineares: Algoritmos
Capítulo 10 - Identificação de Sistemas Não Lineares: Algoritmos Prof. Samir Martins UFSJ-CEFET/MG Programa de Pós Graduação em Engenharia Elétrica - PPGEL São João del-rei, 16 de outubro de 2018 1 / 31
Leia maisAnálise de Regressão Linear Simples e
Análise de Regressão Linear Simples e Múltipla Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução A análise de regressão estuda o relacionamento entre uma variável
Leia maisMétodos Numéricos e Estatísticos Parte II-Métodos Estatísticos
Métodos Numéricos e Estatísticos Parte II-Métodos Estatísticos Lic. Eng. Biomédica e Bioengenharia-2009/2010 Modelos de regressão É usual estarmos interessados em estabelecer uma relação entre uma variável
Leia maisAjuste e comparação de modelos para dados grupados e censurados
Ajuste e comparação de modelos para dados grupados e censurados 1 Introdução José Nilton da Cruz 1 Liciana Vaz de Arruda Silveira 2 José Raimundo de Souza Passos 2 A análise de sobrevivência é um conjunto
Leia maisMOQ-13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ-13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 e 16 Introdução à probabilidade (eventos,
Leia maisModelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência
Modelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência Erica Castilho Rodrigues 12 de Agosto 3 Vimos como usar Poisson para testar independência em uma Tabela 2x2. Veremos
Leia maisInferência Bayesiana Exata para Processos de Cox Level-Set
Inferência Bayesiana Exata para Processos de Cox Level-Set Bárbara da Costa Campos Dias 1 Flávio Bambirra Gonçalves 2 Resumo Este trabalho propõe uma metodologia de inferência exata para processos de Cox
Leia maisEsquema Fatorial. Esquema Fatorial. Lucas Santana da Cunha 06 de outubro de 2018 Londrina
Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha 06 de outubro de 2018 Londrina Nos experimentos mais simples comparamos níveis (tratamentos) de apenas um fator; Nos experimentos mais simples comparamos
Leia maisFaturamento de Restaurantes
Faturamento de Restaurantes Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2016 G. A. Paula (IME-USP) Faturamento de Restaurantes 2 o Semestre 2016 1 / 29
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Considere o problema de encontrar o valor que
Leia maisModelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência
Modelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência Erica Castilho Rodrigues 12 de Agosto Introdução 3 Vimos como usar Poisson para testar independência em uma Tabela 2x2.
Leia maisAnálise de Dados Longitudinais Aula
1/35 Análise de Dados Longitudinais Aula 08.08.2018 José Luiz Padilha da Silva - UFPR www.docs.ufpr.br/ jlpadilha 2/35 Sumário 1 Revisão para dados transversais 2 Como analisar dados longitudinais 3 Perspectiva
Leia maisExemplo Multicolinearidade
Exemplo Multicolinearidade Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 1 o Semestre 2013 G. A. Paula (IME-USP) Calor do Cimento 1 o Semestre 2013 1 / 28 Calor de Cimento
Leia mais5.3 Experimentos fatoriais a dois fatores. Ambos os fatores são supostos fixos e os efeitos de tratamento são definidos como desvios da média tal que
5. Experimentos Fatoriais 5.3 Experimentos fatoriais a dois fatores. Modelo de Efeitos Y ijk = µ+τ i +β j +(τβ) ij +ɛ ijk, i = 1, 2,..., a j = 1, 2,..., b k = 1, 2,..., n Ambos os fatores são supostos
Leia maisProfessora Ana Hermínia Andrade. Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise. Período 2017.
Estimação pontual Professora Ana Hermínia Andrade Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise Período 2017.1 Introdução Exemplo Desejamos comprar um
Leia mais1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.
1 1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. Modelo de Resultados Potenciais e Aleatorização (Cap. 2 e 3
Leia maisPME Mecânica dos Sólidos I 5 a Lista de Exercícios
ESCOL POLITÉCNIC D UNIVERSIDDE DE SÃO PULO DEPRTMENTO DE ENGENHRI MECÂNIC PME-00 - Mecânica dos Sóidos I 5 a Lista de Eercícios 1) estrutura treiçada indicada abaio é formada por barras de mesmo materia
Leia maisDistribuições Amostrais e Estimação Pontual de Parâmetros
Distribuições Amostrais e Estimação Pontual de Parâmetros - parte I 2012/02 1 Introdução 2 3 4 5 Objetivos Ao final deste capítulo você deve ser capaz de: Entender estimação de parâmetros de uma distribuição
Leia maisExemplo Falhas em Tecidos
Exemplo Falhas em Tecidos Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2016 G. A. Paula (IME-USP) Falhas em Tecidos 2 o Semestre 2016 1 / 27 Rolos de Tecido
Leia maisRedes neurais em análise de sobrevivência: Uma aplicação na área de relacionamento com clientes
Redes neurais em anáise de sobrevivência: Uma apicação na área de reacionamento com cientes Marceo Hiroshi Ogava DISSERTAÇÃO APRESENTADA AO INSTITUTO DE MATEMÁTICA E ESTATÍSTICA DA UNIVERSIDADE DE SÃO
Leia maisCE062c - GAMLSS. Silva, J.P; Taconeli, C.A. 09 de outubro, Silva, J.P; Taconeli, C.A. CE062c - GAMLSS 09 de outubro, / 42
CE062c - GAMLSS Silva, J.P; Taconeli, C.A. 09 de outubro, 2018 Silva, J.P; Taconeli, C.A. CE062c - GAMLSS 09 de outubro, 2018 1 / 42 Por que GAMLSS? Silva, J.P; Taconeli, C.A. CE062c - GAMLSS 09 de outubro,
Leia maisModelo marginal de odds proporcionais para dados longitudinais: um estudo de simulação
Modelo marginal de odds proporcionais para dados longitudinais: um estudo de simulação Nívea B. da Silva 1 Enrico A. Colosimo 2 Leila A. F. Amorim 3 1 Introdução Nos últimos anos muitas metodologias têm
Leia maisAnálise de Sobrevivência. Exercícios - Capítulo 1
Análise de Sobrevivência Profa. Suely Ruiz Giolo Departamento de Estatística - UFPR Exercícios - Capítulo 1 1. Suponha que seis ratos foram expostos a um material cancerígeno. Os tempos até o desenvolvimento
Leia maisAnálise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Análise Estatística. Análise Estatística Motivação: Fila de 1 servidor. Clientes chegam em um banco (sistema)
Leia maisREGRESSÃO LINEAR Parte I. Flávia F. Feitosa
REGRESSÃO LINEAR Parte I Flávia F. Feitosa BH1350 Métodos e Técnicas de Análise da Informação para o Planejamento Julho de 2015 Onde Estamos Para onde vamos Inferência Esta5s6ca se resumindo a uma equação
Leia maisDETECÇÃO DE CLUSTERS ESPACIAIS EM MODELOS DE REGRESSÃO BETA. Vanessa Souza dos Santos
DETECÇÃO DE CLUSTERS ESPACIAIS EM MODELOS DE REGRESSÃO BETA Vanessa Souza dos Santos Dissertação de Mestrado apresentada ao Programa de Pós-graduação em Matemática, da Universidade Federal do Amazonas,
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS Nas chamadas de suporte de uma empresa de telecomunicações, o funcionário Pedro resolve o problema do cliente em duas de cada três vezes em que é solicitado, enquanto Marcos resolve
Leia maisSist. Lin. I. Sistemas Lineares Introdução Definições Geometria Resolução Equivalência Eliminação de Gauss Após Escalonamento. Sist. Lin.
Motivação - 1 o Exempo 1 a Parte Pauo Godfed Marco Cabra Probema: há dois tipos de moeda, indistinguíveis exceto peo peso As de materia X pesam 10 g cada e as de materia Y, 0 g cada Se um conjunto de 100
Leia maisModelo de regressão Beta
Modelo de regressão Beta Fernando Lucambio Pérez Departamento de Estatística Universidade Federal do Paraná Agosto de 2004 1 Consideremos uma situação em que a variável resposta contínua é restrita ao
Leia maisProbabilidades e Estatística MEEC, LEIC-A, LEGM
Departamento de Matemática Probabilidades e Estatística MEEC, LEIC-A, LEGM Exame a Época / o Teste (Grupos III e IV) o semestre 009/00 Duração: 80 / 90 minutos /06/00 9:00 horas Grupo I Exercício 5 valores
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões
Leia maisTeoria da Estimação. Fabricio Goecking Avelar. junho Universidade Federal de Alfenas - Instituto de Ciências Exatas
Teoria da Estimação Fabricio Goecking Avelar Universidade Federal de Alfenas - Instituto de Ciências Exatas junho - 2018 Algumas distribuições importantes Sumário 1 Algumas distribuições importantes 2
Leia maisAULA 11 - Normalidade e Inferência em Regressão Múltipla - Parte 1
AULA 11 - Normalidade e Inferência em Regressão Múltipla - Parte 1 Susan Schommer Econometria I - IE/UFRJ Distribuições amostrais dos estimadores MQO Nas aulas passadas derivamos o valor esperado e variância
Leia maisESQUEMA FATORIAL. Lucas Santana da Cunha Universidade Estadual de Londrina Departamento de Estatística
ESQUEMA FATORIAL Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha Universidade Estadual de Londrina Departamento de Estatística 22 de julho de 2017 Esquema Fatorial Nos experimentos mais simples
Leia maisInferência em Modelos Lineares Assimétricos
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA Inferência em Modelos Lineares Assimétricos Bárbara da Costa Campos Dias Orientador: Clécio da Silva Ferreira
Leia mais