Untitled - UFRJ

More documents

Recommendations

Info

Evaluating Spatio-Temporal Models for Crop Yield ForecastingUsing INLA: Implications to Pricing Area Yield CropInsurance ContractsRamiro Ruiz-CárdenasLaboratório de Estatística Espacial, Universidade Federal de Minas Gerais -BrazilElias Teixeira KrainskiDepartmento de Estatística, Universidade Federal do Paraná - BrazilArea yield crop insurance is a recent insurance product, in which farmers collect an indemnity wheneverthe county average yield falls beneath a yield guarantee, regardless of the farmers actual yields.The pricing methodology to this kind of insurance requires the estimation of the expected crop yield atthe county level. This can be done in a hierarchical Bayesian framework via spatio-temporal modellingof areal crop yield data, which allows estimates of the premium rates be obtained directly from theposterior predictive distribution of crop yields, capturing inference uncertainties involved in predictingthe insurance premium rates. Inference in this kind of models is typically based on Markov chain MonteCarlo methods (MCMC), a computer-intensive simulation-based approach. However, these methods sufferfrom several problems: Computational time is long, parameter samples can be highly correlated andestimates may have a large Monte Carlo error. Additionally, several models including regional effects aswell as time trends and time-space interactions need to be tested in order to identify the more suitableone to implement the pricing methodology. This task becomes very time consuming when the numberof areas increases.A promising alternative to inference via MCMC in latent Gaussian models are the integrated nestedLaplace approximations (INLA) (Rue et al., 2009). The methodology is particularly attractive if thelatent Gaussian model is a Gaussian Markov random field (GMRF). In contrast to empirical Bayesapproaches, the INLA approach incorporates posterior uncertainty with respect to hyperparameters. Inthis work, using the INLA approach, several spatio-temporal crop yield models were fitted and comparedusing suitable model selection criteria in order to identify the most suitable one to calculate the premiumrate of an areal crop yield insurance contract for corn in Paraná state (Brazil). The results pointed outINLA as a flexible tool appropriate for fitting and compare a huge number of spatio-temporal crop yieldmodels in an efficient way.133
Morbidade Pulmonar e Condições Climáticas: Um Estudo naCidade de São PauloThelma SáfadiUniversidade Federal de LavrasAirlane Pereira AlencarUniversidade de São PauloO modelo fatorial dinâmico cujos fatores seguem um modelo autorregressivo é utilizado para analisar aassociação entre séries climáticas e séries de internação por problemas pulmonares. As séries consideradasforam taxa de internação por tuberculose, taxa de internação por problemas pulmonares, temperaturamínima, índice pluviométrico e umidade relativa mínima na cidade de São Paulo no período de Janeirode 1998 a Setembro de 2009. Para os dados analisados, foram identificados dois fatores. O primeiromostra a associação entre a taxa de tuberculose e a umidade mínima, o segundo fator associa a taxa deinternação por problemas pulmonares com as séries de índices pluviométricos e umidade mínima. Paraa série de temperatura mínima não foi observada associação com as demais séries analisadas.Palavras-Chave: Análise Bayesiana, modelo fatorial, morbidade por problemas pulmonares, sériesclimáticas.Agradecimentos: As autoras agradecem a Fapemig e a Capes, projeto Procad 177/2007, o auxiliofinanceiro.134
Page 4 and 5:
10 o Encontro Brasileiro de Estatí
Page 7 and 8:
Page 9 and 10:
Particle LearningCarlos M. Carvalho
Page 12 and 13:
Uso de Métodos Bayesianos em Anál
Page 15 and 16:
Bayesian Inference for Aggregated F
Page 17 and 18:
Product Partition Models with Corre
Page 19 and 20:
“Objective Bayes” - A Dangerous
Page 21 and 22:
Bayesian Non-Parametric Inference f
Page 23 and 24:
Bayesian Computing with INLAHåvard
Page 25 and 26:
Page 27 and 28:
Bayesian Inference for a Skew-Norma
Page 29 and 30:
Bayesian Coalescent Modeling of the
Page 31 and 32:
Partitioning Diversity Measure for
Page 33 and 34:
Exact Simulation and Bayesian Infer
Page 35 and 36:
Spatially Varying Autoregressive Pr
Page 37 and 38:
Bayesian Beta Dynamic Model and App
Page 39 and 40:
Page 41 and 42:
Page 43 and 44:
Page 45 and 46:
Page 47 and 48:
Page 49 and 50:
Page 51 and 52:
Generalized Exponential Distributio
Page 53 and 54:
Análise Bayesiana da Priori Jeffer
Page 55 and 56:
Neighborhood Dependence in Bayesian
Page 57 and 58:
Aplicação do Algoritmo MCMC de Sa
Page 59 and 60:
Decisões de Investimento e Restri
Page 61 and 62:
Test for Symmetry in Contingency Ta
Page 63 and 64:
Aplicações de Inferência Bayesia
Page 65 and 66:
Uma Abordagem Bayesiana do Modelo M
Page 67 and 68:
Accounting for Latent Spatio-Tempor
Page 69 and 70:
Uma Abordagem Bayesiana para Proces
Page 71 and 72:
A Bayesian Analysis for the General
Page 73 and 74:
Comparação de um Modelo Dinâmico
Page 75 and 76:
Estimando Variações de Temperatur
Page 77 and 78:
A Bayesian Approach to Multivariate
Page 79 and 80:
Bayesian Inference for Gamma Modula
Page 81 and 82:
Computational Tools for Comparing A
Page 83 and 84: Modelo Partição Produto com “Cl
Page 85 and 86: BIC Criterion for Minimal Markov Mo
Page 87 and 88: Estimadores Lineares Bayesianos em
Page 89 and 90: Modelos de Volatilidade Estocástic
Page 91 and 92: Processo de Difusão Multivariado c
Page 93 and 94: Generalized Latent Factor Models fo
Page 95 and 96: Measuring Vulnerability via Spatial
Page 97 and 98: Medidas do Valor Preditivo de um Mo
Page 99 and 100: Aproximações Analíticas para Pos
Page 101 and 102: Modelo de Risco Logístico Dependen
Page 103 and 104: A Practical Approach to Elicit Mult
Page 105 and 106: Modelos Dinâmicos para Deformaçã
Page 107 and 108: A Semiparametric Bayesian Approach
Page 109 and 110: Modelo Weibull Modificado de Longa
Page 111 and 112: Abordagem Bayesiana para Modelos GA
Page 113 and 114: Modelo Bayesiano Geral de Classe La
Page 115 and 116: Métodos de Estimação em Modelos
Page 117 and 118: LASSO Bayesiano no Mapeamento de QT
Page 119 and 120: Estudo das Matrizes de Covariância
Page 121 and 122: Sensibilidade da Inferência Bayesi
Page 123 and 124: Análise Bayesiana para o Estudo de
Page 125 and 126: Uma Abordagem Bayesiana para Modelo
Page 127 and 128: Construção de Tábuas de Mortalid
Page 129 and 130: Um Procedimento Bayesiano para a An
Page 131 and 132: Um Novo Modelo para Dependência Es
Page 133: Distribuição Geométrica Exponenc
Page 137 and 138: Standard Setting for a Rasch Poisso
Page 139 and 140: Modelo Logístico Misto com Classes
Page 141 and 142: Metodologia Bayesiana para Detecç
Page 143 and 144: Modelos Espaço-Temporais para Dado
Page 145 and 146: Comparação de Modelos para a Iden
Page 147 and 148: Modelos Multivariados de Regressão
Page 149 and 150: Estimação Bayesiana em Modelos de
Page 151 and 152: Previsão de Resultados de Jogos de
Page 153 and 154: Uma Abordagem Bayesiana para Modelo
Page 155 and 156: Análise Bayesiana do Modelo Log-Bi
Page 157 and 158: Desempate TécnicoFilipe Jaeger Zab
Page 159 and 160: 10 o Encontro Brasileiro de Estatí
Page 161 and 162: 10 o Encontro Brasileiro de Estatí
Page 163: 10 o Encontro Brasileiro de Estatí
show all

Untitled - UFRJ

Create successful ePaper yourself

Delete template?

Save as template?