Modelação por regressão incorporando dependência espacial e temporal

Detalhes bibliográficos
Autor(a) principal: Oliveira, Antônio Neco de
Data de Publicação: 2018
Idioma: por
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/1822/56311
Resumo: Tese de Doutoramento em Ciências (especialidade em Matemática)
id RCAP_d77dcd7b805bf7cd16dc3308fbc37e57
oai_identifier_str oai:repositorium.sdum.uminho.pt:1822/56311
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Modelação por regressão incorporando dependência espacial e temporalRegression modeling incorporating spatial and temporal dependenceBinomial negativaBootstrapClimaDengueEquações de estimação generalizadasModelos lineares generalizados mistosPoissonRegressãoNegative binomialClimateGeneralized estimating equationsGeneralized linear mixed modelsRegressionCiências Naturais::MatemáticasTese de Doutoramento em Ciências (especialidade em Matemática)A dengue é uma doença viral transmitida pelo mosquito Aedes aegypti, devendo ser tratada e o vetor transmissor eliminado para evitar epidemias e mortes. Nesta tese, a modelação por regressão incorporando dependência espacial e temporal é utilizada para estimar o número de notificações de casos de dengue no estado de Goiás, Brasil, onde o clima tropical favorece a proliferação do principal vetor transmissor dessa doença. Para a cidade de Goiânia, capital e principal cidade do Estado, aplica-se a metodologia das Equações de Estimação Generalizadas, e numa análise englobando 20 cidades desse Estado recorre-se aos Modelos Lineares Generalizados Mistos. Nos modelos mistos, o número de notificações de casos de dengue é estimado utilizando as variáveis meteorológicas e as estações do ano como efeitos fixos e os fatores cidade e ano como efeitos aleatórios de modo a caracterizar a dependência espacial e temporal. Para analisar o nível de significância das componentes de variância, associadas aos efeitos aleatórios, aplicam-se métodos bootstrap em dados simulados e em dados reais, obtendo-se probabilidades de cobertura superiores a 90 % quando o processo de reamostragem no nível do fator em estudo envolve cerca de 50 % dos dados originais. Os resultados indicam uma associação direta entre as variáveis meteorológicas e o número de notificações de casos de dengue, sendo o verão e o outono as estações do ano com maior número de casos registados. A precipitação, a temperatura mínima e a humidade relativa do ar são as variáveis que mais contribuem para o aumento no número de casos de dengue. O ano e a localização da cidade são os fatores determinantes na incidência de casos de dengue. A partir dos resultados obtidos, tem-se a indicação da necessidade de políticas públicas, juntamente com ações conjuntas da população local, para combater o vetor transmissor da dengue e evitar períodos epidémicos.Dengue is a viral disease transmitted by the mosquito Aedes aegypti, that requires treatment and the transmitter vector needs to be eliminated to avoid epidemics and deaths. In this thesis, regression modeling incorporating spatial and temporal dependence is used to model the number of reports of dengue cases in the state of Goiás, Brazil, where the tropical climate favors the proliferation of the main transmitting vector of this disease. For the city of Goiânia, capital and main city of the State, the methodology of Generalized Estimation Equations is applied, and in an analysis encompassing 20 cities of that State the Mixed Generalized Linear Models are used. In the later case, the number of notifications of dengue cases is estimated using the meteorological variables and years seasons, as fixed effects. The information on the city and the year is included in to the model as random effects, aiming to characterize spatial and temporal dependence. In order to analyze the significance level of the variance components, associated to random effects, bootstrap methods are applied to both simulated and real data, obtaining coverage probabilities above 90 %, when the resampling process at the factor’s level analysis under involves about 50 % of the original data. The results indicate a direct association between the meteorological variables and the number of reports of dengue cases, being the summer and the fall the seasons of the year with greater number of registered cases. Precipitation, minimum temperature and relative air humidity are the variables that most contribute to the increase in the number of dengue cases. The year and the location of the city are the determining factors in the incidence of dengue cases. Based on the results obtained, the need for public policies, together with joint actions involving local population, are confirmed to be important to combat the vector transmitting dengue and avoid epidemic periods.Menezes, RaquelFaria, SusanaUniversidade do MinhoOliveira, Antônio Neco de2018-07-232018-07-23T00:00:00Zdoctoral thesisinfo:eu-repo/semantics/publishedVersionapplication/pdfhttp://hdl.handle.net/1822/56311por101451555info:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2024-05-11T05:38:37Zoai:repositorium.sdum.uminho.pt:1822/56311Portal AgregadorONGhttps://www.rcaap.pt/oai/openairemluisa.alvim@gmail.comopendoar:71602024-05-11T05:38:37Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Modelação por regressão incorporando dependência espacial e temporal
Regression modeling incorporating spatial and temporal dependence
title Modelação por regressão incorporando dependência espacial e temporal
spellingShingle Modelação por regressão incorporando dependência espacial e temporal
Oliveira, Antônio Neco de
Binomial negativa
Bootstrap
Clima
Dengue
Equações de estimação generalizadas
Modelos lineares generalizados mistos
Poisson
Regressão
Negative binomial
Climate
Generalized estimating equations
Generalized linear mixed models
Regression
Ciências Naturais::Matemáticas
title_short Modelação por regressão incorporando dependência espacial e temporal
title_full Modelação por regressão incorporando dependência espacial e temporal
title_fullStr Modelação por regressão incorporando dependência espacial e temporal
title_full_unstemmed Modelação por regressão incorporando dependência espacial e temporal
title_sort Modelação por regressão incorporando dependência espacial e temporal
author Oliveira, Antônio Neco de
author_facet Oliveira, Antônio Neco de
author_role author
dc.contributor.none.fl_str_mv Menezes, Raquel
Faria, Susana
Universidade do Minho
dc.contributor.author.fl_str_mv Oliveira, Antônio Neco de
dc.subject.por.fl_str_mv Binomial negativa
Bootstrap
Clima
Dengue
Equações de estimação generalizadas
Modelos lineares generalizados mistos
Poisson
Regressão
Negative binomial
Climate
Generalized estimating equations
Generalized linear mixed models
Regression
Ciências Naturais::Matemáticas
topic Binomial negativa
Bootstrap
Clima
Dengue
Equações de estimação generalizadas
Modelos lineares generalizados mistos
Poisson
Regressão
Negative binomial
Climate
Generalized estimating equations
Generalized linear mixed models
Regression
Ciências Naturais::Matemáticas
description Tese de Doutoramento em Ciências (especialidade em Matemática)
publishDate 2018
dc.date.none.fl_str_mv 2018-07-23
2018-07-23T00:00:00Z
dc.type.driver.fl_str_mv doctoral thesis
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/1822/56311
url http://hdl.handle.net/1822/56311
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv 101451555
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv mluisa.alvim@gmail.com
_version_ 1817544689588371456

Registros relacionados