Seminários indicados com * contém suas gravações disponibilizadas
Seminário 21/09/2020. Prof Fábio Mariano Bayer – UFSM*
Title: A Three-dimensional Spatiotemporal Model for Remote Sensing Data Cubes
Resumo: Satellite images from the same scene observed over time can be composed in an image stack, which could be modeled as a three- dimensional (3D) cube. To handle this type of remote sensing data, on the one side unidimensional dynamical models have been considered, modeling each pixel separately along the time (pixel-based approach), exploring the temporal correlation. On the other side, two-dimensional approaches have been considered to process each image at one date, exploring the spatial correlation. In this paper, we propose a new 3D autoregressive (3D-AR) model useful for multitemporal image interpretation exploring the correlation in three dimensions altogether. The 3D-AR model is statistically defined and a robust parameter estimation method is discussed. Tools for filtering, forecasting, and detecting anomalies are also introduced. A Monte Carlo simulation study is performed to evaluate the finite signal length performance of the robust estimation and its sensitivity to outliers. The proposed model is applied to a multitemporal normalized difference vegetation index (NDVI) image stack for filtering, prediction, and anomaly detection purposes. The numerical results show the importance of the proposed 3D-AR model for spatiotemporal remote sensing data interpretation.
Seminário 14/09/2020. Prof José Luiz Padilha da Silva – UFPR*
Título: Modelos Marginais para Respostas Binárias com Estruturas Hierárquicas de Agrupamento
Resumo: Estudos que envolvem respostas binárias com estruturas hierárquicas de agrupamento são frequentemente encontrados nas diversas áreas do conhecimento. Há situações em que o interesse reside primariamente em modelar a probabilidade marginal da resposta. Neste caso, modelos marginais de primeira ordem, ajustados pelo método GEE1 (Generalized Estimating Equations), oferecem uma solução elegante por sua facilidade na interpretação dos parâmetros e ausência de suposições distribucionais. Contudo, a estrutura de associação pode ser de interesse científico. Assim, modelos marginais de segunda ordem (GEE2) foram propostos na literatura com a introdução de uma segunda equação de estimação, o que possibilitou estimar e realizar inferências para os parâmetros de associação a partir de covariáveis. Contudo, o método GEE2 pode ser inviável computacionalmente se a quantidade de observações dentro dos grupos for grande, o que limita sua aplicação em problemas práticos. Como alternativa, foram propostos os métodos ALR (Alternating Logistic Regression) e ORTH (Orthogonalized Residual). Ambos os enfoques especificam a associação dentro de cada nível de agrupamento em termos de razão de chances entre pares de resposta e compartilham a simplicidade computacional do método GEE original.
Neste trabalhado, apresentamos e comparamos, via estudos de simulação, os métodos ALR e ORTH. Probabilidades marginais e razões de chances são também estimadas e comparadas em um estudo ecológico envolvendo agrupamento hierárquico de três níveis em que a presença ou ausência de um grupo de fungos foi medida em diferentes locais de coleta no Brasil e Argentina.
O trabalho publicado pode ser encontrado em
http://dx.doi.org/10.1080/02664763.2016.1238042
Seminário 31/08/2020. Prof Jean-David Fermanian(CREST/Ensae – France)
Título: High dimensional penalized ARCH processes
Resumo: We introduce a general methodology to consistently estimate multidimensional ARCH models equation-by-equation, possibly with a very large number of parameters through penalization (sparse group-lasso). Some families of multidimensional ARCH models are proposed to tackle homogeneous or heterogeneous portfolios of assets. The corresponding conditions of stationarity and of positive definiteness are studied. We evaluate the relevance of such a strategy by simulation. The relative forecasting performances of our models are compared through the management of financial portfolios.
Seminário 24/08/2020. Dr. Kevin L. Keys (Ambys Medicine)
Resumo: Gene expression is a core component of human physiology. However, studies of genetically controlled gene expression and its effect on complex disease phenotypes have remained prohibitively expensive until recently. The advent of transcriptome-wide association studies (TWAS) arose concurrently with large datasets of linked genotype and RNA sequencing data, such as the Genotype-Tissue Expression Repository (GTEx) or the Depression Genes Network (DGN) dataset. TWAS leverages this paired genotype-expression information to create a powerful gene-based test of association. While TWAS has successfully identified dozens of novel genetic disease associations, recent interest has turned to possible sample biases in the reference data, which are overwhelmingly of European descent. Little is known about the generalizability of these models to other populations. We test for cross-population generalizability of gene expression prediction models using a dataset of African American individuals with whole blood expression data. We find that the default models trained in large datasets such as GTEx and DGN fare poorly in African Americans, with a notable reduction in prediction accuracy when compared to European Americans. We replicate these limitations in cross-population generalizability using the five populations in the GEUVADIS dataset. Via realistic simulations of both populations and gene expression, we show that accurate cross-population generalizability of transcriptome prediction only arises when eQTL architecture is substantially shared across populations. In contrast, models with non-identical eQTLs showed patterns similar to real-world data. These results point toward a pressing need to generate RNA-Seq data in multiple global human populations as a critical step towards multi-ethnic utility of gene expression prediction.
Seminário 17/08/2020. Profª Linda Lee Ho(USP)*
Título: Gráficos de controle por atributos no monitoramento de processo: algumas contribuições
Resumo: Tradicionalmente os gráficos de controle por atributos têm sido empregados para monitorar parâmetros como fração de não conformes (gráficos p, np) ou taxas de não conformidade (gráficos c ou u). O uso de gráficos de controle de atributos no monitoramento da média e/ou variância tem algumas vantagens, entre elas: o menor tempo e custo de inspeção, a não necessidade de tomar medidas das características de qualidade em ensaios destrutivos. Este seminário tem o objetivo de apresentar as recentes contribuições de gráficos de controle por atributos utilizados para monitorar média e/ou variância.
Seminário 10/08/2020. Prof. Wagner Barreto de Souza (UFMG)
Título: A Negative Binomial Process with Composite Likelihood-Based Inference
Resumo: In this work, we propose a count time series model with negative binomial marginals for analyzing overdispersed data. Properties of the proposed count model are established. Our approach is to develop a method for inference based on a composite likelihood function. The strong consistency and the asymptotic normality of the maximum composite likelihood estimators are established. We derive a procedure for calculating the standard error of the parameter estimates and confidence intervals based on a parametric bootstrap. We also discuss prediction based on our negative binomial model and propose diagnostic tools based on the Probability Integral Transform histogram to check model adequacy. Monte Carlo experiments were conducted to study and compare the finite-sample properties of the proposed estimators. The simulations demonstrate that, compared to the generalized linear model approach combined with the ordinary least squares method, the proposed composite likelihood approach provides satisfactory results for estimating the parameters related to the correlation structure of the process, even under model misspecification. An application to real data is presented to illustrate the performance of our methodology in practical situations.
This is joint work with Hernando Ombao (KAUST-Saudi Arabia).
Seminário 03/08/2020. Prof. Francisco Cribari Neto (UFPE) *
Título: Improved testing inferences for beta regressions with parametric mean link function
Resumo: Beta regressions are widely used for modeling random variables that assume values in the standard unit interval, (0,1), such as rates, proportions, and income concentration indices. Parameter estimation is typically performed via maximum likelihood and hypothesis testing inferences on the model parameters are commonly performed using the likelihood ratio test. Such a test, however, may deliver inaccurate inferences when the sample size is small. It is thus important to develop alternative testing procedures that are more accurate when the sample contains only few observations. In this paper, we introduce the beta regression model with parametric mean link function and derive two modified likelihood ratio test statistics for that class of models. We provide simulation evidence that shows that the new tests usually outperform the standard likelihood ratio test in samples of small to moderate sizes. We also present and discuss two empirical applications.
Seminário 27/07/2020. Prof. Marcelo Fernandes – FGV (EESP)*
Resumo: We propose a semiparametric approach to estimate a stochastic SIRD model with time-varying parameters. We do not impose any restriction on daily transmission, recovering and mortality rates, instead using a fully nonparametric specification for their dynamics over time. To do so, we estimate the time-dependent SIRD model by kernel (constrained) least squares. We also entertain a multivariate extension to accommodate transmission across groups. Empirically, we estimate SIRD models for the COVID-19 cases and deaths in New York City. The results are very interesting unveiling a strong pattern of transmission across boroughs and age groups.
This is joint work with José Antunes, Thiago Milagres and Alvaro Veiga.
Seminário 20/07/2020. Prof. Hedibert Lopes *
Título: Dynamic Sparsity on Dynamic Regression Models.
Resumo: In the present work, we consider variable selection and shrinkage for the Gaussian dynamic linear regression within a Bayesian framework. In particular, we propose a novel method that allows for time-varying sparsity, based on an extension of spike-and-slab priors for dynamic models. This is done by assigning appropriate Markov switching priors for the time-varying coefficients’ variances, extending the previous work of Ishwaran and Rao (2005). Furthermore, we investigate different priors, including the common Inverted gamma prior for the process variances, and other mixture prior distributions such as Gamma priors for both the spike and the slab, which leads to a mixture of Normal-Gammas priors (Griffin et al., 2010) for the coefficients. In this sense, our prior can be viewed as a dynamic variable selection prior which induces either smoothness (through the slab) or shrinkage towards zero (through the spike) at each time point. The MCMC method used for posterior computation uses Markov latent variables that can assume binary regimes at each time point to generate the coefficients’ variances. In that way, our model is a dynamic mixture model, thus, we could use the algorithm of Gerlach et al. (2000) to generate the latent processes without conditioning on the states. Finally, our approach is exemplified through simulated examples and a real data application.
This is joint work with Paloma Uribe.
Seminário 13/07/2020. Prof. Marcelo Bourguignon Pereira*
Título: Modeling count time series with equidispersion, underdispersion or overdispersion.
Resumo: We present a novel first-order nonnegative integer-valued autoregressive model for stationary count data processes with Bernoulli-geometric marginals based on a new type of generalized thinning operator. It can be used for modeling time series of counts with equidispersion, underdispersion and overdispersion. The main properties of the model are derived, such as probability generating function, moments, transition probabilities and zero probability. The maximum likelihood method is used for estimating the model parameters. The proposed model is fitted to time series of counts of iceberg orders and of cases of family violence illustrating its capabilities in challenging cases of overdispersed and equidispersed count data.
Seminário 06/07/2020. Profª Silvana Schneider
Título: Abordagens clássica e bayesiana para dados de sobrevivência com censura dependente.
Resumo: Normalmente, na análise de sobrevivência assume-se que os mecanismos geradores de censura não são relacionados com o evento de interesse. Porém, essa suposição pode ser inadequada em muitos contextos, resultando em inferências enganosas. Com o objetivo de acomodar a dependência entre os tempos de falha e censura, propomos abordagens embasadas nos modelos de fragilidade, especificamente a abordagem proposta por Huang & Wolfe (2002). Para tal, apresentamos uma versão completamente paramétrica, utilizando a distribuição Weibull para ajustar os tempos de falha e censura; uma versão semiparamétrica, considerando a distribuição Exponencial por Partes para modelar os tempos; apresentamos as inferências sob enfoque clássico e bayesiano. Para avaliar os modelos realizamos estudos de simulação Monte Carlo, considerando três cenários: dados gerados com correlações positiva, negativa e nula entre os tempos de falha e censura, para dados de sobrevivência multivariados. Por último, apresentamos uma aplicação em dados sobre mortalidade em centros de diálise renal dos Estados Unidos, cedidos pelo estudo Dialysis Outcomes and Practice Patterns Study (DOPPS).
Seminário 29/06/2020. Profª Taiane Schaedler Prass*
Título: Propriedades da DFA e da DCCA em processos do tipo trend-stationary e o pacote DCCA do R
Resumo: Processos trend-stationary são aqueles que podem ser escritos como a soma de um processo estacionário mais uma tendência polinomial. Tais processo são, obviamente, não estacionários e estatísticas básicas como variância, autocorrelação, correlação cruzada, entre outras, perdem seu significado tradicional. Nesse contexto, a análise de flutuação destendenciada (Detrended Fluctuation Analysis – DFA) e a análise de correlação cruzada destendenciada (Detrended Cross-Correlation Analysis – DCCA) aparecem como alternativas para investigar o comportamento marginal e conjunto desses processos. A DFA é heuristicamente descrita como uma maneira indireta de quantificar variabilidade em séries temporais não estacionárias. A DCCA é uma generalização do DFA para o contexto em que o interesse reside no comportamento conjunto de um par de séries temporais. O coeficiente de correlação cruzada (𝜌𝐷𝐶𝐶𝐴) combina essas duas análises de forma a produzir um coeficiente que é visto como um quantificador indireto da correlação cruzada. Tais quantidades são calculadas considerando-se janelas de diferentes tamanhos para os dados e o estudo do decaimento dos coeficientes, conforme o tamanho da janela aumenta, permite obter conclusões sobre o decaimento das funções de autocovariância e/ou covariância cruzada dos processos em questão. Neste seminário apresentamos alguns resultados derivados no artigo On the behavior of the DFA and DCCA in trend-stationary processes (Prass e Pumi, 2020 – under revision), relacionados a DFA e DCCA, para processos do tipo trend-stationary. Entre os resultados discute-se a estacionariedade dos coeficientes vistos como processos estocásticos e a consistência dos mesmos, quando vistos como estimadores amostrais. Os resultados serão ilustrados via exemplos simulados e uma aplicação à dados reais. Os cálculos serão ilustrados com a utilização do pacote DCCA do R, desenvolvido pelos autores.