Modeling underreported infant mortality data with a random censoring poisson model
Autor(a) principal: | |
---|---|
Data de Publicação: | 2016 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFMG |
Texto Completo: | http://hdl.handle.net/1843/BUBD-A89PEH |
Resumo: | Em áreas pobres e socialmente mais desfavorecidas, dados econômicos, sociais e de saúde são tipicamente subnotificados. Consequentemente, inferência utilizando as contagens observadas para o evento de interesse será tendenciosa e os riscos inerentes serão subestimados. Para contornar este problema, Bailey et al. (2005) propõem considerar os dados provenientes de áreas suspeitas como informações censuradas e desenvolvem uma abordagem Bayesiana espacial para o chamado modelo Poisson Censurado (MPC). Este modelo assume que todas as áreas censuradas são precisamente conhecidas a priori, o que não e uma tarefa simples em muitas situações práticas. Então, para levar em conta uma potencial subnotificação em um conjunto de dados de mortalidade infantil, nós propomos o modelo Poisson Censurado Aleatoriamente (MPCA) como uma extensão do MPC através da modelagem conjunta dos processos de geração e de reportacão /registro dos dados em vez de requerer uma pré-especificação das áreas censuradas. Assume-se que as contagens observadas têm uma distribuição Poisson e as probabilidades de subnotificação são associados a um modelo logístico apropriado. Distribuições a priori informativas são consideradas para o processo de reportação dos dados. Propomos também um esquema de amostragem MCMC baseado na técnica de aumento de dados. Aumentando artificialmente os dados através de variáveis latentes, nós facilitamos o processo de amostragem a posteriori. Para avaliar o modelo proposto, apresentamos um estudo de simulação em que tal modelo é comparado com o MPC usando diferentes critérios de censura fixos. Por fim, o modelo proposto é aplicado no mapeamento do risco relativo de mortalidade neonatal precoce no Estado de Minas Gerais, Brasil, onde a qualidade dos dados é verdadeiramente precária em muitas regiões. |
id |
UFMG_f715cb9d62210c569b7f4a6a1061ecc0 |
---|---|
oai_identifier_str |
oai:repositorio.ufmg.br:1843/BUBD-A89PEH |
network_acronym_str |
UFMG |
network_name_str |
Repositório Institucional da UFMG |
repository_id_str |
|
spelling |
Rosangela Helena LoschiRenato Martins AssuncaoLeonardo Soares BastosWagner Barreto de SouzaRenato Martins AssuncaoGuilherme Lopes de Oliveira2019-08-14T20:37:57Z2019-08-14T20:37:57Z2016-02-26http://hdl.handle.net/1843/BUBD-A89PEHEm áreas pobres e socialmente mais desfavorecidas, dados econômicos, sociais e de saúde são tipicamente subnotificados. Consequentemente, inferência utilizando as contagens observadas para o evento de interesse será tendenciosa e os riscos inerentes serão subestimados. Para contornar este problema, Bailey et al. (2005) propõem considerar os dados provenientes de áreas suspeitas como informações censuradas e desenvolvem uma abordagem Bayesiana espacial para o chamado modelo Poisson Censurado (MPC). Este modelo assume que todas as áreas censuradas são precisamente conhecidas a priori, o que não e uma tarefa simples em muitas situações práticas. Então, para levar em conta uma potencial subnotificação em um conjunto de dados de mortalidade infantil, nós propomos o modelo Poisson Censurado Aleatoriamente (MPCA) como uma extensão do MPC através da modelagem conjunta dos processos de geração e de reportacão /registro dos dados em vez de requerer uma pré-especificação das áreas censuradas. Assume-se que as contagens observadas têm uma distribuição Poisson e as probabilidades de subnotificação são associados a um modelo logístico apropriado. Distribuições a priori informativas são consideradas para o processo de reportação dos dados. Propomos também um esquema de amostragem MCMC baseado na técnica de aumento de dados. Aumentando artificialmente os dados através de variáveis latentes, nós facilitamos o processo de amostragem a posteriori. Para avaliar o modelo proposto, apresentamos um estudo de simulação em que tal modelo é comparado com o MPC usando diferentes critérios de censura fixos. Por fim, o modelo proposto é aplicado no mapeamento do risco relativo de mortalidade neonatal precoce no Estado de Minas Gerais, Brasil, onde a qualidade dos dados é verdadeiramente precária em muitas regiões.In poor and socially deprived areas, economic, social and health data are typically underreported. As a consequence, inference using the observed counts for the event of interest will be biased and risks will be underestimated. To overcome this problem, Bailey et al. (2005) propose to consider data from suspected areas as censored information and develop a spatial Bayesian approach for the so-called Censored Poisson model (CPM). However, the CPM assumes that all censored areas are precisely known a priori, which is not a simple task in many practical situations. To account for potential underreporting in an infant mortality dataset, we propose an extension on the CPM by jointly modeling the data generating and the data reporting processes. We assume that observed counts have a Poisson distribution and the underreporting probabilities are associated to an appropriate logistic model. By doing that, we introduce the Random Censoring Poisson model (RCPM) in which the censoring mechanism is treated as random instead of requiring a previous specication of the censored (underreported) areas. Informative priors on the data reporting process are considered. We also propose a MCMC sampling scheme based on the data augmentation technique. By artificially augmenting the data through latent variables, we facilitate the posterior sampling process. To evaluate the proposed model, we run a simulation study in which such a model is compared with the CPM using diferent fixed censoring criteria. Also, we apply the proposed model to map the early neonatal mortality rates in Minas Gerais State, Brazil, where data quality is truly poor in many regions.Universidade Federal de Minas GeraisUFMGEstatisticaPoisson, Distribuição deeoria bayesiana de decisão estatisticaMortalidade infantilMortalidade infantil EstatisticaTeoria bayesiana de decisão estatisticapidemiologia Modelos estatisticosCensored Poisson ModelUnderreportingData augmentationInfant mortalityModeling underreported infant mortality data with a random censoring poisson modelinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALguilhermeoliveira___finalmasterthesis.pdfapplication/pdf8978328https://repositorio.ufmg.br/bitstream/1843/BUBD-A89PEH/1/guilhermeoliveira___finalmasterthesis.pdfda4420a1209bb09934f9d6a4b61d0928MD51TEXTguilhermeoliveira___finalmasterthesis.pdf.txtguilhermeoliveira___finalmasterthesis.pdf.txtExtracted texttext/plain131260https://repositorio.ufmg.br/bitstream/1843/BUBD-A89PEH/2/guilhermeoliveira___finalmasterthesis.pdf.txt63a00c0520c27f0099886cf7a99b362fMD521843/BUBD-A89PEH2019-11-14 15:03:21.078oai:repositorio.ufmg.br:1843/BUBD-A89PEHRepositório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2019-11-14T18:03:21Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false |
dc.title.pt_BR.fl_str_mv |
Modeling underreported infant mortality data with a random censoring poisson model |
title |
Modeling underreported infant mortality data with a random censoring poisson model |
spellingShingle |
Modeling underreported infant mortality data with a random censoring poisson model Guilherme Lopes de Oliveira Censored Poisson Model Underreporting Data augmentation Infant mortality Estatistica Poisson, Distribuição de eoria bayesiana de decisão estatistica Mortalidade infantil Mortalidade infantil Estatistica Teoria bayesiana de decisão estatistica pidemiologia Modelos estatisticos |
title_short |
Modeling underreported infant mortality data with a random censoring poisson model |
title_full |
Modeling underreported infant mortality data with a random censoring poisson model |
title_fullStr |
Modeling underreported infant mortality data with a random censoring poisson model |
title_full_unstemmed |
Modeling underreported infant mortality data with a random censoring poisson model |
title_sort |
Modeling underreported infant mortality data with a random censoring poisson model |
author |
Guilherme Lopes de Oliveira |
author_facet |
Guilherme Lopes de Oliveira |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Rosangela Helena Loschi |
dc.contributor.advisor-co1.fl_str_mv |
Renato Martins Assuncao |
dc.contributor.referee1.fl_str_mv |
Leonardo Soares Bastos |
dc.contributor.referee2.fl_str_mv |
Wagner Barreto de Souza |
dc.contributor.referee3.fl_str_mv |
Renato Martins Assuncao |
dc.contributor.author.fl_str_mv |
Guilherme Lopes de Oliveira |
contributor_str_mv |
Rosangela Helena Loschi Renato Martins Assuncao Leonardo Soares Bastos Wagner Barreto de Souza Renato Martins Assuncao |
dc.subject.por.fl_str_mv |
Censored Poisson Model Underreporting Data augmentation Infant mortality |
topic |
Censored Poisson Model Underreporting Data augmentation Infant mortality Estatistica Poisson, Distribuição de eoria bayesiana de decisão estatistica Mortalidade infantil Mortalidade infantil Estatistica Teoria bayesiana de decisão estatistica pidemiologia Modelos estatisticos |
dc.subject.other.pt_BR.fl_str_mv |
Estatistica Poisson, Distribuição de eoria bayesiana de decisão estatistica Mortalidade infantil Mortalidade infantil Estatistica Teoria bayesiana de decisão estatistica pidemiologia Modelos estatisticos |
description |
Em áreas pobres e socialmente mais desfavorecidas, dados econômicos, sociais e de saúde são tipicamente subnotificados. Consequentemente, inferência utilizando as contagens observadas para o evento de interesse será tendenciosa e os riscos inerentes serão subestimados. Para contornar este problema, Bailey et al. (2005) propõem considerar os dados provenientes de áreas suspeitas como informações censuradas e desenvolvem uma abordagem Bayesiana espacial para o chamado modelo Poisson Censurado (MPC). Este modelo assume que todas as áreas censuradas são precisamente conhecidas a priori, o que não e uma tarefa simples em muitas situações práticas. Então, para levar em conta uma potencial subnotificação em um conjunto de dados de mortalidade infantil, nós propomos o modelo Poisson Censurado Aleatoriamente (MPCA) como uma extensão do MPC através da modelagem conjunta dos processos de geração e de reportacão /registro dos dados em vez de requerer uma pré-especificação das áreas censuradas. Assume-se que as contagens observadas têm uma distribuição Poisson e as probabilidades de subnotificação são associados a um modelo logístico apropriado. Distribuições a priori informativas são consideradas para o processo de reportação dos dados. Propomos também um esquema de amostragem MCMC baseado na técnica de aumento de dados. Aumentando artificialmente os dados através de variáveis latentes, nós facilitamos o processo de amostragem a posteriori. Para avaliar o modelo proposto, apresentamos um estudo de simulação em que tal modelo é comparado com o MPC usando diferentes critérios de censura fixos. Por fim, o modelo proposto é aplicado no mapeamento do risco relativo de mortalidade neonatal precoce no Estado de Minas Gerais, Brasil, onde a qualidade dos dados é verdadeiramente precária em muitas regiões. |
publishDate |
2016 |
dc.date.issued.fl_str_mv |
2016-02-26 |
dc.date.accessioned.fl_str_mv |
2019-08-14T20:37:57Z |
dc.date.available.fl_str_mv |
2019-08-14T20:37:57Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/1843/BUBD-A89PEH |
url |
http://hdl.handle.net/1843/BUBD-A89PEH |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.publisher.initials.fl_str_mv |
UFMG |
publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFMG instname:Universidade Federal de Minas Gerais (UFMG) instacron:UFMG |
instname_str |
Universidade Federal de Minas Gerais (UFMG) |
instacron_str |
UFMG |
institution |
UFMG |
reponame_str |
Repositório Institucional da UFMG |
collection |
Repositório Institucional da UFMG |
bitstream.url.fl_str_mv |
https://repositorio.ufmg.br/bitstream/1843/BUBD-A89PEH/1/guilhermeoliveira___finalmasterthesis.pdf https://repositorio.ufmg.br/bitstream/1843/BUBD-A89PEH/2/guilhermeoliveira___finalmasterthesis.pdf.txt |
bitstream.checksum.fl_str_mv |
da4420a1209bb09934f9d6a4b61d0928 63a00c0520c27f0099886cf7a99b362f |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG) |
repository.mail.fl_str_mv |
|
_version_ |
1803589233817944064 |