Modelo dinâmico bayesiano multivariado para análise espaço-temporal de dados de área

Abstract

Modelagem de dados de área tem sido tema de diversas pesquisas em Estatística nas últimas décadas. Modelos espaço-temporais têm sido utilizados para lidar com esse tipo de dados de um modo natural, uma vez que muitas vezes envolvem processos que têm transições no tempo e no espaço. O avanço da tecnologia e, simultaneamente, de métodos estatísticos, têm permitido a elaboração de modelos cada vez mais estruturados para a descrição de fenômenos aleatórios complexos, cuja ideia é descrever, de forma realista, a estrutura de correlação presente nos dados, o que pode ser feito através do uso de modelos hierárquicos. Dada a importância atual da modelagem de fenômenos espaço-temporais, neste trabalho são estudadas propostas recentes apresentadas na literatura para dados espaciais de área, envolvendo modelos autorregressivos condicionais multivariados para capturar a estrutura espacial e modelos dinâmicos para capturar a estrutura temporal. Como aplicação da metodologia é estudada a distribuição espacial da mortalidade pelos cânceres de maior importância quantitativa, segundo as microrregiões administrativas do estado de São Paulo, considerando o período 1998 até 2010. Os resultados da aplicação de um modelo bayesiano hierárquico para os dados evidenciaram quais as regiões de maior risco de mortalidade no estado de São Paulo para cada um dos cânceres estudados, além de mostrar que existe forte correlação espacial entre algumas das doenças, o que constitui um resultado muito importante para os órgãos do sistema de saúde, que têm como função direcionar e alocar recursos para o tratamento e diagnóstico de tais doenças...

Data modeling area has been the subject of several studies in Statistics in recent decades. Spatio-temporal models have been used to deal with this kind of data in a natural way, since they often involve processes that have transitions in time and space. The advancement of technology and simultaneously statistical methods have allowed the development of increasingly structured models for the description of complex random phenomena, whose idea is to describe realistically, the structure of this correlation in the data, which can be done through the use of hierarchical models. Given the current importance of modeling spatio-temporal phenomena, the aim of this work is study recent paper that involve multivariate conditional autoregressive models to capture the spatial and dynamic structure models to capture the temporal structure. As an application of the methodology is the spatial distribution of mortality for cancers of greater quantitative importance studied, according to the administrative microregions of the state of São Paulo, considering the period 1998 to 2010...