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 - Cure rate models for heterogeneous competing causes
Cure rate models have been widely studied to analyze time-to-event data with a cured fraction of patients. In this type of model, the number of concurrent causes (a latent variable) is assumed to be a random variable. However, in practice, it is natural to assume that the distribution of the number of competing causes is different from individual to individual. Our proposal is to assume that the number of competing causes belongs to a class of a finite mixture of competing causes distributions. In particular, we assume the number of malignant cells (competing causes of the event of interest) to follow a mixture of two power series distributions and assume that the time to the event of interest follows a Weibull distribution. We consider the proportion of the cured number of competing causes depending on covariates, allowing direct modeling of the cure rate through covariates. The proposed model includes several well-known models as special cases and defines many new special models (at least ten new special cases). The parameter estimation of the proposed model is discussed through the maximum likelihood estimation method. An expectation-maximization algorithm is proposed for parameter estimation, where the expectation step involves the computation of the expected number of concurrent causes for each individual. A simulation study has been carried out to examine parameter recovery and to evaluate coverage probabilities of confidence intervals. To demonstrate the potential for the practice of the model, it is applied to a real medical data set from a population-based study of incident cases of cutaneous melanoma diagnosed in the state of São Paulo, Brazil.
Y4 - From plants to oceans: Bayesian Spatio-Temporal Learning for compositional data
This work explores advanced developments in Bayesian Hierarchical Models (BHMs) and their transformative applications across ecological contexts. First, we examine BHMs’ theoretical underpinnings, focusing on their capability to handle spatial dependencies. We then delve into practical applications, reviewing a case study where BHMs are implemented through the Integrated Nested Laplace Approximation (INLA) framework — specifically employing beta likelihoods — to understand geographical distribution of the plant Arabidopsis thaliana. This example illustrates the effectiveness of such models in linking genetic adaptation to environmental variables, and their potential in ecological research. The discussion further extends to methodological innovations—particularly to the development of the methodologies dirinla and INLAcomp—prompted by the needs of Compositional Data (CoDa) analysis. These tools enhance the INLA approach by incorporating Dirichlet and logistic-normal distribution with Dirichlet covariance, respectively, allowing to fully exploit INLA benefits, and thus, facilitating the incorporation of spatial autocorrelation effects in CoDa models. This adaptation significantly improves the framework’s capacity to handle the complexities of CoDa, prevalent in ecological datasets. Finally, we present an example exploring the convergence of marine species in the Atlantic and Pacific Oceans, grounded in Bayesian approaches. This application extends the concept of CoDa analysis to model time autocorrelation, leveraging the capabilities of the tool INLAcomp. By extending Bayesian hierarchical models to accommodate the constraints and dependencies inherent in CoDa, and by leveraging spatial and temporal structures, the proposed methods open new avenues for analyzing complex ecological systems with higher precision and interpretability.
Palavras-chave: Bayesian, Climate Change, CoDa, INLA, INLAcomp, Spatial Statistics.
