Modelos paramétricos para dados categóricos com aplicações

Abstract

Este trabalho aborda a análise de dados espaço-temporais através da metodologia Bayesiana e de modelos lineares generalizados. A característica dos efeitos aleatórios espaciais é modelada através do modelo condicional auto-regressivo intrínsico (CAR) e do modelo condicional auto-regressivo próprio (PCAR). A característica temporal dos dados é modelada através de estrutura linear aditiva, suavização com B-spline sem intercepto e modelo auto-regressivo de primeira e segunda ordens. É realizada análise de dados reais que correspondem a cinco conjuntos de observações. A primeira envolve o conjunto de dados dos efeitos adversos pós-vacinação notificados no período de 2005 a 2010, nos estados brasileiros, utilizado no trabalho de Perin (2014). A segunda aplicação analisa o conjunto de dados de óbitos infantis (com menos de um ano de idade) por residência nos estados brasileiros entre 1991 e 2013 (fonte MS/SVS/DASIS - Sistema de Informações sobre Mortalidade) usados em Silva e Dean (2006). A terceira aplicação corresponde ao conjunto de pacientes do sexo masculino hospitalizados com infarto do miocárdio na província de Québec entre os anos de 1993 e 2000, utilizados em Silva et al. (2008). A quarta aborda o conjunto de dados sobre a incidência da radiação solar disponíveis no USA National Solar Radiation Data Base (NSRDB) em períodos mensais entre janeiro de 1960 a dezembro de 2010, utilizados no trabalho de Pumi et al. (2015). A quinta aplicação apresenta o indicador de resistência a 13 diferentes antibióticos para a bactéria Salmonella Typhimurium DT104 com sequências de DNA obtidas a partir de animais e humanos na Escócia no período de 1990 a 2011, utilizados nos trabalhos Cybis et al. (2015) e Mather et al. (2013). São realizados estudos de simulação com o enfoque clássico com base nos métodos shrinkage (ridge, lasso e elastic-net). Apresentamos, também, estudos sobre a ocorrência de Ilhas de CpG e sobre a proteína citoplasmática p53 com base em sequências de DNA de alguns seres vivos e da proteína p53 de pessoas com câncer.

This work deals with the analysis of spatio-temporal data using Bayesian methodology and generalized linear models. The spatial random effects characteristic is modeled through the intrinsic conditional autoregressive model (CAR) and the proper conditional autoregressive model (PCAR). The temporal characteristic of data is modeled through linear additive structure, smoothing with B-spline without intercept and autoregressive model of first and second orders. Real data correspondign to five sets of information are analyzed. Adverse Event Following Immunization reported in the 2005-2010 period, in the Brazilian states, used in research of Perin (2014). The second data set analyzes the number of infant deaths data (under one year of age) per household in the Brazilian states between 1991 and 2013 (source MS/SVS/DASIS - Mortality Information System) used in Silva e Dean (2006). The third application corresponds to the number of male patients hospitalized with myocardial infarction in the province of Quebec between 1993 and 2000 used in Silva et al. (2008). The fourth data set examines the data set on the incidence solar radiation available in the USA National Solar Radiation Data Base (NSRDB) in monthly periods from January 1960 to December 2010, used in research by Pumi et al. (2015). The fifth data set displays resistance indicator to 13 different antibiotics for the bacteria Salmonella Typhimurium DT104 with DNA sequences obtained from animals and humans in Scotland from 1990 to 2011, considered by Cybis et al. (2015) and Mather et al. (2013). Simulation studies are performed with the classical approach based on the methods shrinkage (ridge, lasso and elastic-net). Additionally, this research includes studies on the occurrence of CpG islands and the cytoplasmic protein p53 microarray-based DNA sequences of certain living beings and protein p53 in people with cancer.