Spatial confounding beyond generalized linear mixed models: extension to shared components and spatial frailty models

• Autor(a) principal: Douglas Roberto Mesquita Azevedo
• Data de Publicação: 2020
• Tipo de documento: Tese
• Idioma: eng
• Título da fonte: Repositório Institucional da UFMG
• Texto Completo: http://hdl.handle.net/1843/37245
• topic: Análise de sobrevivência; Mapa de doenças; Efeitos latentes; Multicolinearidade; SPOCK; Projeção; Estatística - Teses.; Análise de sobrevivência (Biometria) - Teses.; Mapas de doenças - Teses.; Multicolinearidade - Tese

Confundimento espacial é o nome dado para o confundimento entre efeitos fixos e aleatórios espaciais em modelos lineares generalizados mistos (MLGMs). O confundimento espacial vem sendo amplamente estudado e vem ganhando atenção na literatura nos últimos anos visto que esta limitação pode gerar resultados inesperados na modelagem. As abordagens baseadas em projeção, conhecidas por modelos restritos, aparecem como uma boa alternativa para contornar as limitações do confundimento espacial em MLGMs. Entretanto, quando o suporte dos efeitos fixos difere do suporte do efeito espacial ou então quando diversos efeitos espaciais estão presentes na análise, os modelos baseados em projeção não são diretamente aplicáveis. Neste trabalho são introduzidas soluções para amenizar o confundimento espacial em duas famílias de modelos estatísticos. Em modelos de componente compartilhado, diversas variáveis resposta de contagem são observadas em cada região em estudo e muitas vezes apresentam padrões espaciais similares. Desta forma, os efeitos espaciais podem ser compartilhados entre as respostas além da possível presença de efeitos espaciais específicos. Neste contexto, nossa proposta se baseia no uso de estruturas espaciais modificadas para cada um dos componentes compartilhados e também dos efeitos espaciais específicos. Já modelos de fragilidade espacial permitem incorporar efeitos espacialmente estruturados através de um termo de fragilidade. Além disso, é comum observar-se mais de um indivíduo por região o que implica que o número de observações é maior que o número de regiões em estudo. Neste contexto propomos um modelo de projeção reduzindo a dimensionalidade dos dados. Como um produto deste trabalho, foi criado um pacote em R chamado "RASCO: An R package to Alleviate Spatial Confounding" que fornece à comunidade uma ferramenta para alivar o confundimento espacial em MLGMs, modelos de componente compartilhado e modelos de fragilidade espacial. Para uma inferência Bayesiana à um custo computacional baixo, a metodologia INLA foi utilizada. Casos de cancêr de pulmão e brônquios na California foram estudados em ambos os modelos mostrando a eficiência dos métodos propostos.