Confundimento espacial além dos modelos lineares generalizados mistos: extensão para os modelos de componentes compartilhados e modelos de fragilidade espacial
| Autor: | Douglas Roberto Mesquita Azevedo |
|---|---|
| Přispěvatelé: | Marcos Oliveira Prates, Dipankar Bandyopadhyay, Wagner Hugo Bonat, Leonardo Soares Bastos, Renato Martins Assunção, Vinícius Diniz Mayrink |
| Jazyk: | angličtina |
| Rok vydání: | 2020 |
| Předmět: | |
| Zdroj: | Repositório Institucional da UFMG Universidade Federal de Minas Gerais (UFMG) instacron:UFMG |
| Popis: | CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior Confundimento espacial é o nome dado para o confundimento entre efeitos fixos e aleatórios espaciais em modelos lineares generalizados mistos (MLGMs). O confundimento espacial vem sendo amplamente estudado e vem ganhando atenção na literatura nos últimos anos visto que esta limitação pode gerar resultados inesperados na modelagem. As abordagens baseadas em projeção, conhecidas por modelos restritos, aparecem como uma boa alternativa para contornar as limitações do confundimento espacial em MLGMs. Entretanto, quando o suporte dos efeitos fixos difere do suporte do efeito espacial ou então quando diversos efeitos espaciais estão presentes na análise, os modelos baseados em projeção não são diretamente aplicáveis. Neste trabalho são introduzidas soluções para amenizar o confundimento espacial em duas famílias de modelos estatísticos. Em modelos de componente compartilhado, diversas variáveis resposta de contagem são observadas em cada região em estudo e muitas vezes apresentam padrões espaciais similares. Desta forma, os efeitos espaciais podem ser compartilhados entre as respostas além da possível presença de efeitos espaciais específicos. Neste contexto, nossa proposta se baseia no uso de estruturas espaciais modificadas para cada um dos componentes compartilhados e também dos efeitos espaciais específicos. Já modelos de fragilidade espacial permitem incorporar efeitos espacialmente estruturados através de um termo de fragilidade. Além disso, é comum observar-se mais de um indivíduo por região o que implica que o número de observações é maior que o número de regiões em estudo. Neste contexto propomos um modelo de projeção reduzindo a dimensionalidade dos dados. Como um produto deste trabalho, foi criado um pacote em R chamado "RASCO: An R package to Alleviate Spatial Confounding" que fornece à comunidade uma ferramenta para alivar o confundimento espacial em MLGMs, modelos de componente compartilhado e modelos de fragilidade espacial. Para uma inferência Bayesiana à um custo computacional baixo, a metodologia INLA foi utilizada. Casos de cancêr de pulmão e brônquios na California foram estudados em ambos os modelos mostrando a eficiência dos métodos propostos. Spatial confounding is the name given to the confounding between fixed and spatial random effects in generalized linear mixed models (GLMMs). It has been widely studied and it gained attention in the past years in the spatial statistics literature, as it may generate unexpected results in modeling. The projection-based approach, also known as restricted models, appears like a good way to overcome the spatial confounding in this kind of models. However, when the support of fixed effects is different from the spatial effect one or when multiple spatial effects are present in the modeling, this approach can no longer be applied directly. In this work, we introduce solutions to alleviate the spatial confounding for two families of statistical models. In shared component models, multiple count responses are recorded at each spatial location, which may exhibit similar spatial patterns. Therefore, the spatial effect terms may be shared between the outcomes in addition to specific spatial patterns. In this case, our proposal relies on the use of modified spatial structures for each shared component and specific effects. Spatial frailty models can incorporate spatially structured effects and it is common to observe more than one sample unit per area which means that the support of fixed and spatial effects differ. In this case, we introduce a projection-based approach reducing the dimensionality of the data. As a product of this work an R package named "RASCO: An R package to Alleviate Spatial Confounding" is provided and it allows the community to alleviate the spatial confounding in GLMMs, shared component models and spatial frailty models. To provide a fast inference for the parameters, we used the INLA methodology. Lung and bronchus cancer in the California state is investigated under both methodologies and the results prove the efficiency of the proposed models. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|