Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/322167
Type: TESE DIGITAL
Title: Spatial models for censored data = estimation and diagnostics = Modelos espaciais para dados censurados: estimação e diagnóstico
Title Alternative: Modelos espaciais para dados censurados : estimação e diagnóstico
Author: Barbosa, Thais Silva, 1990-
Advisor: Lachos Dávila, Víctor Hugo, 1973-
Davila, Victor Hugo Lachos
Abstract: Resumo: É comum observar dados espaciais que estejam sujeitos a um limite inferior e superior de detecção (LOD), sendo assim, quando não se conhece o valor exato da observação mas sim o seu limite, esse dado é considerado censurado. Quando o valor está acima do limite de detecção ele é dito ser censurado à direita, e quando está abaixo, é dito ser censurado à esquerda. Para a análise desse tipo de dados, é possível encontrar na literatura trabalhos que adotam a estratégia de trocar os valores censurados por alguma função do limite de detecção (p. e., LOD/2, 2LOD, LOD) ou utilizam métodos Bayesianos através de métodos de Monte Carlo via Cadeias de Markov (MCMC) para estimar os parâmetros do modelo. Neste trabalho optamos por estimar os parâmetros do modelo via máxima verossimilhança (ML) utilizando a aproximação estocástica do algoritmo EM (SAEM). Este algoritmo permite estimar os parâmetros de interesse e fazer predições de locais observados e não observados com facilidade e rapidez. Além disso, desenvolvemos medidas de influência local e global baseadas na esperança condicional da função de verossimilhança aumentada (função Q) através do algoritmo SAEM. Entre essas medidas estão deleção de casos, perturbação na variável resposta, perturbação nas covariáveis e perturbação na matriz de correlação. Por fim, para verificar a sua eficácia, estudos de simulação foram feitos e a metodologia apresentada foi aplicada a dois conjuntos de dados reais

Abstract: Spatial environmental data may be subject to some upper and lower limit of detection (LOD), measures below or above which are not quantifiable. As a result, the responses are either left or right censored. Historically, the most common practice for analysis of such data has been to replace the censored observations with some function of the limit of detection (LOD/2), or through data augmentation, by using Markov chain Monte Carlo methods. In this work, we propose an exact estimation procedure to obtain the maximum likelihood estimates of the fixed effects and variance components, using a stochastic approximation of the EM (SAEM) algorithm. This approach permits estimation of the parameters and predictions at observed and unobserved locations in an easy and fast way. Besides that, we develop local and global influence measures on the basis of the conditional expectation of the complete-data loglikelihood function which eliminates the complexity associated with the approach of Cook (1977, 1986) for spatial censored models. Measures as case deletion, response perturbation, scale matrix perturbation and explanatory variable perturbation are presented. Finally, the proposed algorithm is applied to a two real dataset and studies simulations are made in order to explore the accuracy of the proposed method
Subject: Geologia - Métodos estatísticos
Observações censuradas (Estatística)
Algoritmos
Estimativa de parâmetro
Observações influentes (Estatística)
Editor: [s.n.]
Date Issue: 2016
Appears in Collections:IMECC - Dissertação e Tese

Files in This Item:
File SizeFormat 
Barbosa_ThaisSilva_M.pdf1.84 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.