Regressão binomial negativa geograficamente ponderada : modelando superdispersão espacial
Autor(a) principal: | |
---|---|
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 |