Não foi possível enviar o arquivo. Será algum problema com as permissões?
Diferenças
Aqui você vê as diferenças entre duas revisões dessa página.
Ambos lados da revisão anterior Revisão anterior Próxima revisão | Revisão anterior Próxima revisão Ambos lados da revisão seguinte | ||
pessoais:wbonat:nutri [2009/05/15 10:40] wbonat |
pessoais:wbonat:nutri [2010/02/13 14:23] wbonat |
||
---|---|---|---|
Linha 1: | Linha 1: | ||
- | ====== Equipes para a Resenha ====== | + | ====== Aplicações de inferência bayesiana aproximada para modelos gaussianos latentes espaço temporais ====== |
- | ===== Equipe 1 ===== | + | ==== Resumo ==== |
- | - Fernanda Uber | + | |
- | - Carolina W. Hartmann | + | |
- | - Juliana Gonçalves | + | |
- | - Lourdes Fedrovicz | + | |
- | {{:pessoais:wbonat:04.pdf|Artigo sugerido}} | + | |
- | ===== Equipe 2 ===== | + | A família dos modelos gaussianos latentes é adaptável a uma grande quantidade de aplicações que requere modelagem complexa. |
- | - Ana Paula | + | |
- | - Ariane | + | |
- | - Francielly | + | |
- | - Laís | + | |
- | - Marina | + | |
- | {{:pessoais:wbonat:05.pdf|Artigo sugerido}} | + | |
- | ===== Equipe 3 ===== | + | Em particular, dados espaço-temporais estão entre as mais desafiadoras para modelagem estatística. |
- | - Andrieli | + | |
- | - Bruna Larissa | + | |
- | - Camila Náter | + | |
- | - Camila Ono | + | |
- | - Luíza | + | |
- | {{:pessoais:wbonat:port.pdf|Artigo sugerido}} | + | |
- | ===== Equipe 4 ===== | + | O objetivo deste trabalho foi revisar algumas possíveis estratégias de modelagem para dados deste tipo, incluindo interações espaço-temporal. |
- | - Caroline Benvenutti | + | |
- | - Fabiane Volaco | + | |
- | - Helena Ferrari | + | |
- | - Marília Zaporolli | + | |
- | - Paola Altheia | + | |
- | {{:pessoais:wbonat:v35n1a09.pdf|Artigo sugerido}} | + | |
+ | A inferência nesta classe de modelos é comumente realizada usando métodos computacionalmente intensivos, tais como, os algoritmos MCMC \textit{Markov Chain Monte Carlo}. | ||
+ | Entretanto implementações rotineiras de tais algoritmos em problemas espaciais e/ou temporais não estão livres de problemas associados à dimensão e estrutura de dependências. | ||
+ | Assim novos métodos e algoritmos para inferência nesta família de modelos têm sido propostos. | ||
+ | Este trabalho revisou a abordagem 'INLA' '\textit{Integrated Nested Laplace Approximations}' proposta por RUE, MARTINO e CHOPIN (2009), | ||
+ | |||
+ | que se mostrou eficiente para ajustar modelos altamente estruturados em diversas situações práticas. | ||
+ | |||
+ | A nova metodologia de inferência foi aplicada a três problemas com diferentes objetivos e estruturas no conjunto de dados. | ||
+ | |||
+ | Sempre que possível os modelos ajustados pelo INLA, foram confrontados com ajustes de modelos aditivos generalizados para verificar a concordância entre as abordagens, principalmente no que diz respeito ao modo como captam os efeitos espaciais e temporais. | ||
+ | |||
+ | Os conjuntos de dados foram selecionados de modo a cobrir os modelos mais comumente usados na literatura. | ||
+ | |||
+ | O primeiro conjunto refere-se a avaliações da qualidade da água, assumindo normalidade para a variável resposta. | ||
+ | |||
+ | O segundo conjunto tem como resposta a contagens de ovos do mosquito \textit{Aedes aegypti} coletados em ovitrampas em Recife/PE, | ||
+ | |||
+ | para a qual assume-se a distribuição binomial negativa. | ||
+ | |||
+ | O terceiro conjunto corresponde a dados sobre a doença leprose-dos-citros, assumindo para a distribuição binomial para a variável resposta de presença ou ausência da doença. | ||
+ | |||
+ | Nos três conjuntos de dados analisados foi feita ainda uma comparação entre os resultados obtidos pelas abordagens INLA e GAM (modelos aditivos generalizados). | ||
+ | |||
+ | No primeiro problema os resultados produzidos pelas duas abordagens foram semelhantes. | ||
+ | |||
+ | Para o segundo conjunto algumas diferenças importantes foram encontradas, covariáveis que pela abordagem GAM eram indicadas como significativas, | ||
+ | |||
+ | pela abordagem INLA foram indicadas como não significativas, embora com predições semelhantes para os efeitos espaciais e temporais. | ||
+ | |||
+ | O último é mais desafiador exemplo, mostrou uma grande diferença entre as abordagens na forma como captam os efeitos espaciais e temporais. | ||
+ | |||
+ | De forma geral a abordagem GAM tende a suavizar demais estes efeitos e fornece intervalos de confiança pouco realísticos, ao passo que a abordagem INLA apresenta melhores resultados e intervalos de credibilidade para predições com melhor cobertura. | ||
+ | |||
+ | Neste caso não foi possível obter estimativas confiáveis de interações espaço-temporais. | ||
+ | |||
+ | Nos três exemplos, medidas de concordância entre as observações e os modelos foram tomadas, foram elas: erro quadrático médio, erro absoluto médio, correlação entre observados e preditos e taxa de cobertura. | ||
+ | |||
+ | Por estas medidas em todos os exemplos analisados a abordagem INLA se mostrou mais flexiível e adequada a apresentou melhores resultados. | ||
+ | |||
+ | |||
+ | |||
+ | |||
+ | |||
+ | |||
+ | ====== Listas de exercícios ====== | ||
+ | {{:pessoais:wbonat:lista1nutri.pdf|Primeira lista - Intervalo de Confiança}} | ||
+ | |||
+ | {{:pessoais:wbonat:testes.pdf|Segunda lista - Teste de hipótese}} | ||
+ | |||
+ | ====== Tabelas e Formulários ====== | ||
+ | {{:disciplinas:pdf:tabeladistribuicaonormal.pdf|Tabela distribuição Normal}} | ||
+ | |||
+ | {{:pessoais:wbonat:formulario.pdf|Formulário Geral}} | ||
+ | |||
+ |