2021

Título: 2-D Rayleigh Autoregressive Moving Average Model for SAR Image Modeling

Two-dimensional (2-D) autoregressive moving average (ARMA) models are commonly applied to describe real-world image data, usually assuming Gaussian or symmetric noise. However, real-world data often present non-Gaussian signals, with asymmetrical distributions and strictly positive values. In particular, SAR images are known to be well characterized by the Rayleigh distribution. In this context, this paper introduces an ARMA model tailored for 2-D Rayleigh-distributed data — the 2-D RARMA model. The 2-D RARMA model is derived and conditional likelihood inferences are discussed. The proposed model was submitted to extensive Monte Carlo simulations to evaluate the performance of the conditional maximum likelihood estimators. Moreover, in the context of SAR image processing, two comprehensive numerical experiments were performed comparing anomaly detection and image modeling results of the proposed model with traditional 2-D ARMA models and competing methods in the literature.
Obs. Artigo coautorado com Bruna Gregory Palm e Renato J. Cintra.

Título: Spatial Confounding Beyond Generalized Linear Mixed Models: Extension to Shared Components and Spatial Frailty Models

Spatial confounding is defined as the confounding between the fixed and spatial random effects in generalized linear mixed models (GLMMs). It gained attention in the past years, as it may generate unexpected results in modeling. We introduce solutions to alleviate the spatial confounding beyond GLMMs for two families of statistical models. In the shared component models, multiple count responses are recorded at each spatial location, which may exhibit similar spatial patterns. Therefore, the spatial effect terms may be shared between the outcomes in addition to specifics spatial patterns. Our proposal relies on the use of modified spatial structures for each shared component and specific effects. Spatial frailty models can incorporate spatially structured effects and it is common to observe more than one sample unit per area which means that the support of fixed and spatial effects differs. Thus, we introduce a projection-based approach for reducing the dimension of the data. An R package named “RASCO: An R package to Alleviate Spatial Confounding” is provided. Cases of lung and bronchus cancer in the state of California are investigated under both methodologies and the results prove the efficiency of the proposed methodology.

Título: Abordagens para analisar dados de sobrevivência com censura dependente

Normalmente, 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. Para tal, apresentamos uma versão completamente paramétrica, utilizando a distribuição Weibull e uma versão semiparamétrica, considerando a distribuição Exponencial por Partes. Realizamos estudos de simulação Monte Carlo considerando três cenários: dados gerados com correlações positiva, negativa e nula entre os tempos de falha e censura. 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).

Título: Famílias Weibull estendidas unitárias: novas alternativas para a resolução de problemas industriais e análise de indicadores educacionais

Este seminário tem por objetivo apresentar a proposta e o desenvolvimento das famílias Weibull estendidas unitárias (UEW). As referidas famílias são classes de distribuições de probabilidade com suporte duplamente limitado derivadas a partir de transformações em variáveis aleatórias com distribuição Weibull estendida. Serão abordadas três diferentes famílias UEW, destacando alguns casos particulares que têm sido explorados para o monitoramento de processos produtivos e de indicadores sociais definidos em intervalos duplamente limitados. A potencialidade das famílias UEW é ilustrada através de seu ajuste para as taxas de evasão em cursos de graduação ofertados por Instituições de Ensino Superior brasileiras. Além disso, serão apresentados alguns avanços no contexto de estimação da função de confiabilidade em sistemas de tensão-resistência com múltiplos componentes.

Título: Reparameterized regression models

Regression models are typically constructed to model the mean of a distribution. However, the density of several distributions is not indexed by the mean. In this context, this work provides a collection of regression models considering new parameterizations in terms of the mean and precision parameters. The main advantage of our new parametrizations is the straightforward interpretation of the regression coefficients in terms of the expectation, as usual in the context of generalized linear models.

Título: Desvendando a Dinâmica Espaço-Temporal do COVID19 com Base nas suas Sequências Genéticas: Abordagens Utilizando Filogenias Bayesianas e Simulações de Monte Carlo

Sars-Cov-2, o vírus causador do COVID19 é um dos patógenos mais intensamente estudados da história. Nesse contexto, a disponibilidade de sequências genéticas do vírus em bancos de dados de livre acesso é sem precedentes. Tais sequências são instrumentais na reconstrução da dinâmica migratória do vírus e na detecção da evolução de novas variantes. Nesse seminário, apresentarei duas abordagens para o estudo de tais processos com base nas sequências genéticas. Na primeira, métodos da filodinâmica bayesiana serão empregados para ajudar a identificar introduções do vírus em uma região e circulação local. Na segunda, reamostragem e simulações de Monte Carlo serão empregadas para identificar os efeitos de diferentes estratégias de coletas de dados na identificação de variantes do vírus.

Título: Scalable modeling of nonstationary covariance functions with non-folding B-spline deformations

Sars-Cov-2, o vírus causador do COVID19 é um dos patógenos mais intensamente estudados da história. Nesse contexto, a disponibilidade de sequências genéticas do vírus em bancos de dados de livre acesso é sem precedentes. Tais sequências são instrumentais na reconstrução da dinâmica migratória do vírus e na detecção da evolução de novas variantes. Nesse seminário, apresentarei duas abordagens para o estudo de tais processos com base nas sequências genéticas. Na primeira, métodos da filodinâmica bayesiana serão empregados para ajudar a identificar introduções do vírus em uma região e circulação local. Na segunda, reamostragem e simulações de Monte Carlo serão empregadas para identificar os efeitos de diferentes estratégias de coletas de dados na identificação de variantes do vírus.

Título: Modelos alternativos para dados heterogêneos: distribuições GEV bimodais

A distribuição generalizada de valores extremos (GEV) é um modelo estatístico muito popular devido à sua ampla aplicabilidade por exemplo em estudos hidrológicos, ambientais, financeiros ou de confiabilidade. Neste trabalho, introduzimos um modelo GEV bimodal que pode ser uma alternativa para modelar dados heterogêneos de diversas áreas. Derivamos as formas analíticas de sua função de densidade de probabilidade, função de distribuição cumulativa e função de taxa de risco. Além disso, discutimos as propriedades desta densidade como modo, bimodalidade, função geradora de momento e momentos. Nossos resultados foram verificados usando o método de simulação de Monte Carlo por cadeia de Markov. O método de máxima verossimilhança é usado para estimativa de parâmetros. Finalmente, também realizamos uma aplicação de nossos modelos para dados reais.

Título: Modelos de Regressão Elípticos Geograficamente Ponderados

O uso dos modelos de regressão clássicos no contexto de dados espaciais podem levar a interpretações errôneas, pois este não leva em consideração as informações geoespaciais. Neste caso, o desenvolvimento de modelos geograficamente ponderados para o estudo da não estacionariedade espacial dos parâmetros de regressão é uma alternativa bastante atrativa. No entanto, esses modelos costumam ser sensíveis na presença de valores discrepantes. Neste trabalho, desenvolvemos extensões da regressão geograficamente ponderada utilizando a família de distribuição elíptica para a suposição dos erros aleatórios. O uso desta família de distribuição permite ajustar um modelo menos sensível na presença de observações discrepantes, uma vez que abrange distribuições com caudas mais pesadas do que a normal. Método de estimação  e  estudos de simulação sob diferentes cenários são apresentados. Análise de resíduos e medidas diagnóstico com base na abordagem de influência global e local são desenvolvidos. Uma  aplicação referente ao estudo do desenvolvimento humano e da criminalidade nos municípios do estado do Ceará, Brasil é discutido.

Título: Conditional mode: A smoothed quantile regression approach

We propose to smooth the objective function, rather than only the indicator on the check function, in a linear quantile regression context. Not only does the resulting smoothed quantile regression estimator yield a lower mean squared error and a more accurate Bahadur–Kiefer representation than the standard estimator, but it is also asymptotically differentiable. We exploit the latter to propose a quantile density estimator that does not suffer from the curse of dimensionality. This means estimating the conditional density function without worrying about the dimension of the covariate vector. It also allows for two-stage efficient quantile regression estimation. Our asymptotic theory holds uniformly with respect to the bandwidth and quantile level. Finally, we propose a rule of thumb for choosing the smoothing bandwidth that should approximate well the optimal bandwidth. Simulations confirm that our smoothed quantile regression estimator indeed performs very well in finite samples.

Título: Tempo de primeiro retorno, e função de sobreposição

O estudo de tempos de primeiro retorno e função de sobreposição em sequências simbólicas tem forte apelo em aplicações. Desde genética com o estudo de sequências de DNA até a teoria da informação com o estudo de algoritmos de compressão, tal assunto mostra uma ferramenta potencialmente útil para atacar problemas que pertencem a diferentes áreas do conhecimento. Nessa apresentação, começarei motivando e dando as definições de tempo de primeiro retorno e função de sobreposição, e comentarei alguns resultados conhecidos da literatura. Finalmente, apresentarei um resultado recentemente obtido com E. A. Rada-Mora (UFABC).

Título:  Semiparametric Portfolios: Improving Portfolio Performance by Exploiting Non-Linearities in Firm Characteristics.

We present a semiparametric portfolio optimization method in which portfolio weights are parameterized as a non-linear function of firm characteristics. This approach generalizes the linear parametric portfolio policy of Brandt et al. (2009) and can be applied to high-dimensional problems involving hundreds or thousands of stocks. An empirical implementation exploiting the size, value, and momentum anomalies in the universe of CRSP stocks reveal that non-linearities, as well as interaction effects, are both important and complementary for the portfolio construction problem. Moreover, an out-of-sample evaluation indicates that the semiparametric strategies perform well in terms of returns, risk, and risk-adjusted returns both in the absence and in the presence of transaction costs. Our evidence suggests that allowing for a more flexible relation between portfolio weights and firm characteristics can provide a more accurate description of the empirical patterns seen in data.

Título: Age-dependent nowcasting deaths and hospitalised cases Covid-19 in Brazil

The coronavirus disease (COVID-19) pandemic continues to cause amassive burden in the world, especially in countries such as Brazil, with poor implementation of strategies to mitigate the transmission of SARS-CoV-2. The number of cases, severe cases, and deaths by COVID-19 are important indicators of how the COVID-19 epidemic is affecting a particular region and can be used by decision-makers to act in order to reduce morbidity and mortality. However, a common problem with surveillance data is reporting delays, whereby cases and deaths are recorded in the surveillance system days or even weeks after they occurred. Statistical models can estimate the actual number of severe cases and deaths due to COVID-19 accounting for the delays (nowcasting) by age groups. We proposed a Bayesian hierarchical model to nowcast deaths and hospitalised cases for Brazil and also for the 27 federal units. Finally, we provide some general discussion about the COVID-19 situation in Brazil.