Estendendo um modelo para identificação de clusters com distribuições a priori baseadas em grafos acíclicos direcionados

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorJunior, Jony Arrais Pinto-
Autor(es): dc.contributorJunior, Jony Arrais Pinto-
Autor(es): dc.contributorErbisti, Rafael Santos-
Autor(es): dc.contributorFerreira, Gustavo da Silva-
Autor(es): dc.contributorPinto Junior, Jony Arrais-
Autor(es): dc.creatorSouza, Ricardo Junqueira de-
Data de aceite: dc.date.accessioned2024-07-11T17:59:28Z-
Data de disponibilização: dc.date.available2024-07-11T17:59:28Z-
Data de envio: dc.date.issued2022-06-23-
Data de envio: dc.date.issued2022-06-23-
Data de envio: dc.date.issued2021-05-
Fonte completa do material: dc.identifierhttp://app.uff.br/riuff/handle/1/25316-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/761496-
Descrição: dc.descriptionDados de área são quantidades agregadas de um evento de interesse em sub-regiões de uma região de estudo. Um fenômeno comum ao se trabalhar com este tipo de dado é a autocorrelação espacial, que é a tendência de que sub-regiões mais próximas sejam mais similares do que sub-regiões mais distantes entre si e pode ocorrer tanto a nível global quanto local. Ao se modelar dados de área em cenários com a presença de autocorrelação espacial local torna-se necessária a utilização de modelos aptos a lidar com este fenômeno. Neste contexto, Anderson et al. (2014) e Adin et al. (2018) propuseram modelos em dois estágios para estimar uma medida de risco e identificar agrupamentos de sub-regiões com riscos extremos. Estes modelos utilizam como distribuições a priori para os efeitos espaciais o CAR Intrínseco e o Leroux respectivamente e, ainda que apresentem bom desempenho, estas distribuições possuem deficiências conhecidas na literatura. O modelo proposto nesta monografia estende o modelo de Adin et al. (2018) a patir da utilização do DAGAR como distribuição a priori para os efeitos de cluster. O DAGAR é um modelo baseado em grafos acíclicos direcionados e parâmetros em escala, possuindo melhor escalabilidade e interpretabilidade. Os estudos aplicados mostraram que o modelo proposto possui desempenho bastante similar ao modelo de Adin et al. (2018), sugerindo que o modelo proposto é uma opção em potencial para utilização em cenários com grande número de sub-regiões, os quais os demais modelos não suportam.-
Descrição: dc.description69 f.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Federal Fluminense-
Publicador: dc.publisherNiterói-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightshttp://creativecommons.org/licenses/by-nc-nd/3.0/br/-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectEstatística espacial-
Palavras-chave: dc.subjectDados de área-
Palavras-chave: dc.subjectModelos hierárquicos Bayesianos-
Palavras-chave: dc.subjectIdentificação de clusters-
Palavras-chave: dc.subjectEstatística-
Palavras-chave: dc.subjectAnálise de agrupamento-
Título: dc.titleEstendendo um modelo para identificação de clusters com distribuições a priori baseadas em grafos acíclicos direcionados-
Tipo de arquivo: dc.typeTrabalho de conclusão de curso-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.