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 | ||
pessoais:wbonat:nutri [2010/02/13 14:23] wbonat |
pessoais:wbonat:nutri [2010/03/03 16:41] (atual) wbonat |
||
---|---|---|---|
Linha 1: | Linha 1: | ||
- | ====== Aplicações de inferência bayesiana aproximada para modelos gaussianos latentes espaço temporais ====== | + | == Curso INLA - ENSP/FIOCRUZ 04 a 06/03/2010 == |
- | ==== Resumo ==== | + | Praticamente tudo sobre a abordagem INLA pode ser encontrado na página do projeto http://www.r-inla.org. |
- | A família dos modelos gaussianos latentes é adaptável a uma grande quantidade de aplicações que requere modelagem complexa. | + | === Texto adicionais em Português === |
- | Em particular, dados espaço-temporais estão entre as mais desafiadoras para modelagem estatística. | + | {{:pessoais:wbonat:tesewagner.pdf| Aplicações de inferência Bayesiana aproximada para modelos Gaussianos latentes espaço temporais}} |
- | O objetivo deste trabalho foi revisar algumas possíveis estratégias de modelagem para dados deste tipo, incluindo interações espaço-temporal. | + | {{:pessoais:wbonat:explicandoinla.pdf| Um texto mais curto explicando os principais pontos do INLA}} |
- | + | ||
- | 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}} | + | |
- | + | ||
- | + |