Modelos para análise de dados espaciais binários: uma abordagem Bayesiana
A relação da geoestatística e agricultura de precisão podem resultar em tomada de decisões e intervenções específicas. A geoestatística e a agricultura de precisão possuem ferramentas que são complementares para o entendimento das variações que ocorrem no campo. Em várias situações a geoestatística...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis doctoral |
| Estado: | Versión publicada |
| Fecha de publicación: | 2021 |
| País: | Brasil |
| Institución: | Universidade de São Paulo (USP) |
| Repositorio: | Biblioteca Digital de Teses e Dissertações da USP |
| Idioma: | portugués |
| OAI Identifier: | oai:teses.usp.br:tde-11112021-092856 |
| Acceso en línea: | https://www.teses.usp.br/teses/disponiveis/11/11134/tde-11112021-092856/ |
| Access Level: | acceso abierto |
| Palabra clave: | Análise Espacial Bayesian Statistics Binary Data Dados Binários Estatística Bayesiana Hierarchical Models Imputação Múltipla Modelos Hierárquicos Multiple Imputation Spatial Analysis |
| Sumario: | A relação da geoestatística e agricultura de precisão podem resultar em tomada de decisões e intervenções específicas. A geoestatística e a agricultura de precisão possuem ferramentas que são complementares para o entendimento das variações que ocorrem no campo. Em várias situações a geoestatística oferece recursos ímpares a agricultura de precisão e, reciprocamente, a agricultura de precisão proporciona recursos que permitem determinar a estrutura de dependência espacial e juntas permitem construir cenários para tomada de decisões e ações práticas de manejo específico. A estatística bayesiana vem sendo utilizada como método de inferência na análise estatística de dados espaciais. Dada a importância atual e aplicações de modelagem de fenômenos espaciais com dados binários não serem tão abordadas na literatura, este trabalho tem por objetivo apresentar um estudo de modelos propostos na literatura para analisar dados espaciais binários utilizando modelo hierárquicos bayesianos, que envolvem o uso de modelos autorregressivos condicionais e modelos lineares generalizados para capturar a estrutura espacial dos dados. Foi verificado no primeiro artigo uma modelagem geoestatística espacial para analisar os dados de leprose dos citros em plantações de laranja. O uso de uma classe flexível de modelos, associada ao método de inferência computacionalmente eficiente através da aproximação de Laplace aninhada integrada (INLA), tornou a abordagem mais interessante e possibilitou a incorporação desta metodologia em sistemas da citricultura brasileira. Sabe-se que tanto no aspecto espacial quanto no espaço-temporal, perdas de observações ocorrem por diversos fatores. E, técnicas que possibilitem tratar tais tipos de dados tem sido propostas, dentre elas a imputação. No segundo artigo, utiliza-se o método de imputação múltipla da média preditiva para comparar o ajuste feito pelo método INLA com a utilização da imputaçã MICE e imputação INLA. A idéia foi fornecer diferentes tamanhos e perdas amostrais para comparar os dois procedimentos de imputação. Foi verificado na imputação INLA que a medida que aumentavam-se o tamanho e as perdas amostrais o valor da raiz normalizada do erro quadrático médio (NRMSE) ia diminuindo e para a imputação MICE esse valor aumentava. Porém, apesar de aumentar o valor do NRMSE neste método, o mesmo ainda apresentou valores imputados muito mais próximos aos valores originais. Mostrando assim, que o método de imputação da média preditiva utilizado na imputação MICE teve um melhor desempenho para dados espaciais binários. |
|---|