Untitled - UFRJ
Untitled - UFRJ Untitled - UFRJ
Utilização de Modelos de Mistura com Correlação Espacial noMapeamento do Risco de Mortalidade por Câncer de Pulmãono Sul do BrasilMárcia Helena BarbianUniversidade Federal de Minas GeraisRenato Martins AssunçãoUniversidade Federal de Minas GeraisMarcelo Costa AzevedoUniversidade Federal de Minas GeraisUma área de estudo em bioestatística e de interesse epidemiológico é o mapeamento de doenças. Oobjetivo de mapear determinada patologia é detectar áreas de risco relativo elevado ou reduzido. Umamaneira muito simples de estimar a superfície do risco relativo de uma região geográfica, dada a suposiçãode independência entre as áreas, é a Taxa de Mortalidade Padrão. Todavia, esse estimador possui grandevariabilidade, principalmente em sítios de pequenas populações e doenças raras. Uma solução para esteproblema é o uso de modelos de suavização do risco relativo estimado. Nesse trabalho, será abordado ummétodo semiparamétrico que utiliza campos aleatórios markovianos ocultos. O modelo a priori assumeum modelo de mistura correlacionado espacialmente. O método usado para estimar os parâmetros ébaseado em algoritmos de Monte Carlo via Cadeias de Markov com saltos reversíveis. A metodologia éaplicada no mapeamento do risco de mortalidade por câncer de pulmão na região sul do Brasil.Palavras-chave: Mapeamento de doença, Campos Aleatórios Markovianos Ocultos, Modelo dePotts, MCMC de saltos reversíveis, Modelos de Mistura, Semiparamétrico.Agradecimentos: Os autores agradecem o apoio financeiro prestado pela FAPEMIG na realizaçãodeste trabalho.55
Aplicação do Algoritmo MCMC de Saltos Reversíveis naIdentificação de Modelos ARMAMárcia Helena BarbianUniversidade Federal de Minas GeraisAlessandro José Queiroz SarnagliaUniversidade Federal de Minas GeraisAline Martines PiroutekUniversidade Federal de Minas GeraisOs modelos ARMA são extremamente conhecidos em análise de séries temporais e são comumenteutilizados para ajustar dados reais. Geralmente, em análise de séries temporais, a escolha do modeloapropriado é feita através da otimização de funções, tais como os critérios AIC e BIC, ou da visualizaçãodas funções de Autocorrelação (ACF) e Autocorrelação Parcial (PACF). Os critérios AIC e BIC sãofunções que penalizam a variabilidade dos resíduos e pela quantidade de parâmetros do modelo, enquantoa visualização das funções ACF e PACF consiste em comparar seu comportamento com as respectivasfunções teóricas. Na abordagem bayesiana a incerteza sobre os diferentes modelos pode ser especificadacomo um parâmetro a ser estimado, com probabilidades a posteriori associadas. O algoritmo MCMCde saltos reversíveis pode ser utilizado para a escolha da ordem de um processo ARMA apropriada paraum conjunto de dados. Este algoritmo é uma extensão do popular Metropolis-Hasting, com o objetivode permitir movimentos entre espaços de diferentes dimensões. Esse trabalho utiliza o algoritmo MCMCde saltos reversíveis para analisar um conjunto de dados reais.Palavras-chave: Modelos ARMA, MCMC de saltos reversíveis.Agradecimentos: Os autores agradecem o apoio financeiro prestado pela FAPEMIG na realizaçãodeste trabalho.56
- Page 7 and 8: 10 o Encontro Brasileiro de Estatí
- 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: 10 o Encontro Brasileiro de Estatí
- 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: 10 o Encontro Brasileiro de Estatí
- Page 41 and 42: 10 o Encontro Brasileiro de Estatí
- Page 43 and 44: 10 o Encontro Brasileiro de Estatí
- Page 45 and 46: 10 o Encontro Brasileiro de Estatí
- Page 47 and 48: 10 o Encontro Brasileiro de Estatí
- Page 49 and 50: 10 o Encontro Brasileiro de Estatí
- Page 51 and 52: Generalized Exponential Distributio
- Page 53 and 54: Análise Bayesiana da Priori Jeffer
- Page 55: Neighborhood Dependence in Bayesian
- 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
Aplicação do Algoritmo MCMC de Saltos Reversíveis naIdentificação de Modelos ARMAMárcia Helena BarbianUniversidade Federal de Minas GeraisAlessandro José Queiroz SarnagliaUniversidade Federal de Minas GeraisAline Martines PiroutekUniversidade Federal de Minas GeraisOs modelos ARMA são extremamente conhecidos em análise de séries temporais e são comumenteutilizados para ajustar dados reais. Geralmente, em análise de séries temporais, a escolha do modeloapropriado é feita através da otimização de funções, tais como os critérios AIC e BIC, ou da visualizaçãodas funções de Autocorrelação (ACF) e Autocorrelação Parcial (PACF). Os critérios AIC e BIC sãofunções que penalizam a variabilidade dos resíduos e pela quantidade de parâmetros do modelo, enquantoa visualização das funções ACF e PACF consiste em comparar seu comportamento com as respectivasfunções teóricas. Na abordagem bayesiana a incerteza sobre os diferentes modelos pode ser especificadacomo um parâmetro a ser estimado, com probabilidades a posteriori associadas. O algoritmo MCMCde saltos reversíveis pode ser utilizado para a escolha da ordem de um processo ARMA apropriada paraum conjunto de dados. Este algoritmo é uma extensão do popular Metropolis-Hasting, com o objetivode permitir movimentos entre espaços de diferentes dimensões. Esse trabalho utiliza o algoritmo MCMCde saltos reversíveis para analisar um conjunto de dados reais.Palavras-chave: Modelos ARMA, MCMC de saltos reversíveis.Agradecimentos: Os autores agradecem o apoio financeiro prestado pela FAPEMIG na realizaçãodeste trabalho.56