Miniconferências
Y1 - Processos de contagem e derivações: Uma aplicação para dados ambientais e epidemiológicos
Nos últimos anos, o crescimento econômico e o desenvolvimento urbano decorrentes da expansão das cidades e comunidades trouxeram consigo tanto benefícios quanto desafios. Enquanto impulsionaram a economia e o progresso urbano, também resultaram em problemas ambientais e de saúde, devido à geração de resíduos que impactam a qualidade de vida da população. Modelos para dados de contagem têm sido amplamente empregados em estudos epidemiológicos para avaliar o impacto da poluição do ar na saúde humana. A presença de observações atípicas nesse tipo de dado pode prejudicar significativamente a estimativa e inferência dos parâmetros de interesse, impactando os resultados e as conclusões de estudos científicos na área. Devido à natureza do dado, um modelo GLARMA robusto é proposto baseado na robustificação da função de quase-verossimilhança. As observações atípicas são tratadas separadamente, usando funções de peso para as variáveis explicativas e a função de perda Huber para a variável resposta. Estudos de simulação demonstraram que essa abordagem robusta é mais confiável do que o modelo GLARMA clássico quando os dados estão contaminados. Para ilustrar a aplicabilidade do modelo, um estudo utilizando dados reais investiga o impacto do material particulado (PM10) no número de mortes por doenças respiratórias na cidade de Vitória/ES, Brasil.
Y2 - Abordagem Bayesiana para a Predição do Estoque de Carbono em Florestas Plantadas
O estoque de carbono em florestas plantadas desempenha um papel fundamental no sequestro de carbono e na mitigação das mudanças climáticas (ODS 13). Modelar e prever essa variável de forma precisa é importante para o planejamento sustentável e a tomada de decisões estratégicas no manejo florestal. Neste estudo, propomos uma abordagem bayesiana para a predição do estoque de carbono, explorando a flexibilidade dos Modelos Aditivos Bayesianos para Localização, Escala e Forma (BAMLSS). Essa metodologia permite capturar relações complexas entre variáveis ambientais, estruturando a incerteza de forma mais robusta e incorporando efeitos suavizados sem pressuposições rígidas sobre a forma das relações. Além disso, analisamos a influência e o comportamento de diferentes fatores para o carbono sequestrado na biomassa vegetal, como a idade das árvores, características do solo e condições climáticas. A modelagem bayesiana possibilita uma inferência robusta e interpretável, oferecendo estimativas para a predição e monitoramento do carbono em plantações florestais. Dessa forma, o estudo busca quantificar o carbono armazenado em florestas plantadas, ressaltando seu papel essencial na mitigação dos gases de efeito estufa.
Palavras-chave: BAMLSS; Manejo Florestal; Modelagem Bayesiana; Mudanças Climáticas; Sequestro de Carbono.
Y3 - Um novo modelo de fração cura com causas concorrentes Geométrica Zero-Inflacionada
Uma nova modelagem para análise de sobrevivência é proposta, ao considerar que o número de causas concorrentes relacionadas à ocorrência do evento de interesse pode ser correlacionado. Diferentemente da suposição tradicional de independência entre essas causas, o modelo reconhece a complexidade biológica observada em pacientes com câncer testicular, onde diferentes fatores interagem de forma não observável.
Especificamente, considera-se que o número de causas competitivas segue uma distribuição geométrica inflacionada em zero (ZIG) com dependência estrutural, permitindo capturar aspectos latentes específicos deste tipo de câncer que não podem ser diretamente quantificados. São apresentadas propriedades estatísticas do modelo, e a estimação dos parâmetros é realizada por intermédio do método da máxima verossimilhança.
Adicionalmente, um estudo de simulação de Monte Carlo é conduzido para avaliar o comportamento dos estimadores e a precisão dos intervalos de confiança obtidos. Por fim, o modelo é aplicado a um conjunto de dados reais, referentes a casos de câncer testicular registrados em São Paulo, Brasil, demonstrando seu desempenho competitivo em relação a modelos clássicos e reforçando sua utilidade em aplicações práticas.
Y4 - A Bayesian joint model of multiple longitudinal and categorical outcomes with application to multiple myeloma using permutation-based variable importance
Joint models have proven to be an effective approach for uncovering potentially hidden connections between various types of outcomes, mainly continuous, time-to-event, and binary. Typically, longitudinal continuous outcomes are characterized by linear mixed-effects models, survival outcomes are described by proportional hazards models, and the link between outcomes are captured by shared random effects. Other modeling variations include generalized linear mixed-effects models for longitudinal data and logistic regression when a binary outcome is present, rather than time until an event of interest. However, in a clinical research setting, one might be interested in modeling the physician’s chosen treatment based on the patient’s medical history to identify prognostic factors. In this situation, there are often multiple treatment options, requiring the use of a multiclass classification approach. Inspired by this context, we develop a Bayesian joint model for longitudinal and categorical data. In particular, our motivation comes from a multiple myeloma study, in which biomarkers display nonlinear trajectories that are well captured through bi-exponential submodels, where patient-level information is shared with the categorical submodel. We also present a variable importance strategy to rank prognostic factors. We apply our proposal and a competing model to the multiple myeloma data, compare the variable importance and inferential results for both models, and illustrate patient-level interpretations using our joint model.
