Regressão binomial negativa geograficamente ponderada : modelando superdispersão espacial

Detalhes bibliográficos
Autor(a) principal: Rodrigues, Thais Carvalho Valadares
Data de Publicação: 2012
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UnB
Texto Completo: http://repositorio.unb.br/handle/10482/10348
Resumo: Dissertação (mestrado)—Universidade de Brasília, Departamento de Estatística, 2012.
id UNB_c98727e0d0f06c7979d5f1cb08ac541b
oai_identifier_str oai:repositorio.unb.br:10482/10348
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling Regressão binomial negativa geograficamente ponderada : modelando superdispersão espacialModelos lineares generalizadosDistribuição binomial negativaRegressão geograficamente ponderadaAnálise espacialDissertação (mestrado)—Universidade de Brasília, Departamento de Estatística, 2012.A regressão global pressupõe que um modelo único é adequado para descrever todas as partes de uma região de estudo. No entanto, a força dos relacionamentos entre as variáveis pode não ser espacialmente constante. Além disso, os fatores envolvidos são geralmente tão complexos, que é difícil identificá-los na forma de variáveis explanatórias. Muitas vezes, ainda tem-se o problema de tamanho de amostra reduzido. Neste contexto, surge a Regressão Geograficamente Ponderada (RGP), a fim de modelar dados espaciais não est acionários. Utilizando funções kernel, a RGP permite que os parâmetros do modelo variem espacialmente, produzindo superfícies não paramétricas das suas estimativas. Considerando dados de contagem com superdispersão, o mais adequado é utilizar a distribuição Binomial Negativa. Por isso, o presente trabalho propõe dois modelos de Regressão Geograficamente Ponderada utilizando esta distribuição, a saber, RBNGPg e RBNGP. Estes modelos diferem-se na forma de estimação do parâmetro de superdispersão e, consequentemente, em termos de complexidade. Neste trabalho, os modelos propostos sao aplicados a 5 estudos de caso, envolvendo dados reais e simulados. Os resultados obtidos mostram a superioridade deles no ajuste de dados de contagem nao estacionários e com superdispersão com respeito aos modelos concorrentes, a saber, regressão global - Poisson e Binomial Negativa - e Regressão de Poisson Geograficamente Ponderada- Além disso, verifica-se que estes modelos concorrentes sao casos especiais do modelo mais robusto RBNGP. ______________________________________________________________________________ ABSTRACTThe global regression assumes that a single model is adequate to describe all parts of a study region. However, the strength of relationships between variables may not be spatially constant. In addition, the factors involved are often so complex that it is difficult to identify them in the form of explanatory variables. Many times, we also have the problem of small sample size. hi this context Geographically Weighted Regression (GW R) is introduced in order to model non-stationary spatial data. Using kernel functions, GW R allows the model parameters to vary spatially, producing non-parametric surfaces of their estimates. To model count data with overdispersion, the most- appropriate is to use the Negative Binomial distribution. Therefore, we propose two models of Geographically Weighted Regression using this distribution, namely GW NBRg and GW NBR. These models differ in the way the overdispersion parameter is estimated and, consequently, in terms of complexity. In this dissertation, the proposed models are applied to 5 case studies involving real and simulated data. The results show their superiority in modelling non-stationary count data with overdispersion with respect to competing models, namely, global regression - Poisson and Negative Binomial - and Geographically Weighted Poisson Regression. Moreover, we demonstrate that these competing models are special cases of the more robust model GW NBR.Instituto de Ciências Exatas (IE)Departamento de Estatística (IE EST)Programa de Pós-Graduação em EstatísticaSilva, Alan Ricardo daRodrigues, Thais Carvalho Valadares2012-05-01T12:22:13Z2012-05-01T12:22:13Z2012-05-012012-02-02info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfRODRIGUES, Thais Carvalho Valadares. Regressão binomial negativo geograficamente ponderada : modelando superdispersão espacial. 2012. 120 f. Dissertação (Mestrado em Estatística)—Universidade de Brasília, Brasília, 2012.http://repositorio.unb.br/handle/10482/10348A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UnBinstname:Universidade de Brasília (UnB)instacron:UNB2024-03-01T16:22:39Zoai:repositorio.unb.br:10482/10348Repositório InstitucionalPUBhttps://repositorio.unb.br/oai/requestrepositorio@unb.bropendoar:2024-03-01T16:22:39Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.none.fl_str_mv Regressão binomial negativa geograficamente ponderada : modelando superdispersão espacial
title Regressão binomial negativa geograficamente ponderada : modelando superdispersão espacial
spellingShingle Regressão binomial negativa geograficamente ponderada : modelando superdispersão espacial
Rodrigues, Thais Carvalho Valadares
Modelos lineares generalizados
Distribuição binomial negativa
Regressão geograficamente ponderada
Análise espacial
title_short Regressão binomial negativa geograficamente ponderada : modelando superdispersão espacial
title_full Regressão binomial negativa geograficamente ponderada : modelando superdispersão espacial
title_fullStr Regressão binomial negativa geograficamente ponderada : modelando superdispersão espacial
title_full_unstemmed Regressão binomial negativa geograficamente ponderada : modelando superdispersão espacial
title_sort Regressão binomial negativa geograficamente ponderada : modelando superdispersão espacial
author Rodrigues, Thais Carvalho Valadares
author_facet Rodrigues, Thais Carvalho Valadares
author_role author
dc.contributor.none.fl_str_mv Silva, Alan Ricardo da
dc.contributor.author.fl_str_mv Rodrigues, Thais Carvalho Valadares
dc.subject.por.fl_str_mv Modelos lineares generalizados
Distribuição binomial negativa
Regressão geograficamente ponderada
Análise espacial
topic Modelos lineares generalizados
Distribuição binomial negativa
Regressão geograficamente ponderada
Análise espacial
description Dissertação (mestrado)—Universidade de Brasília, Departamento de Estatística, 2012.
publishDate 2012
dc.date.none.fl_str_mv 2012-05-01T12:22:13Z
2012-05-01T12:22:13Z
2012-05-01
2012-02-02
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 RODRIGUES, Thais Carvalho Valadares. Regressão binomial negativo geograficamente ponderada : modelando superdispersão espacial. 2012. 120 f. Dissertação (Mestrado em Estatística)—Universidade de Brasília, Brasília, 2012.
http://repositorio.unb.br/handle/10482/10348
identifier_str_mv RODRIGUES, Thais Carvalho Valadares. Regressão binomial negativo geograficamente ponderada : modelando superdispersão espacial. 2012. 120 f. Dissertação (Mestrado em Estatística)—Universidade de Brasília, Brasília, 2012.
url http://repositorio.unb.br/handle/10482/10348
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.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UnB
instname:Universidade de Brasília (UnB)
instacron:UNB
instname_str Universidade de Brasília (UnB)
instacron_str UNB
institution UNB
reponame_str Repositório Institucional da UnB
collection Repositório Institucional da UnB
repository.name.fl_str_mv Repositório Institucional da UnB - Universidade de Brasília (UnB)
repository.mail.fl_str_mv repositorio@unb.br
_version_ 1814508324621647872