Programação

Palestrante: Dra. Daiane Aparecida Zuanetti

Resumo: Non-homogeneous hidden Markov models are a statistical paradigm in which a sequence of non-observable states generates a sequence of observations. Transitions between the non-observable states are controlled by transition coefficients and covariates. Because variable selection has been hardly explored for this model, the central purpose of this study is to propose scalable variable selection methods which improve predictive performance of the model. We propose two versions of the LASSO for the non-homogeneous hidden Markov model. The proposals consistently show better predictive performance than ARIMA and Penalized Linear Regression and very good performance when predicting the non-observable state sequence which generates the observable values. In terms of coefficient shrinkage efficiency, the proposals show excellent performance in all simulation scenarios when selecting variables via coefficient shrinkage. Finally, the methods are applied to characterize and predict the rainfall regime in the city of São Carlos, Brazil. This is a joint work with Gustavo Alexis Sabillón and partially funded by FAPESP in process 2024/00413-8.

Palestrante: Dr. Miguel Angel Uribe Opazo

Resumo: Caracterizar a variabilidade espacial de dados agrícolas é uma etapa fundamental na Agricultura de Precisão, especialmente no manejo do solo e na criação de unidades de manejo diferenciadas para o aumento da produtividade. Modelar a estrutura de dependência espacial por meio de métodos geoestatísticos é de grande importância para estimar com eficiência os parâmetros que definem essa estrutura e realizar interpolação baseada na krigagem. Este trabalho apresenta técnicas de diagnóstico de influência global, local e alavancagem generalizada, utilizando o deslocamento da esperança condicional do logaritmo da verossimilhança conjunta, chamada Q-function. Esses métodos são usados para identificar a presença de observações influentes que podem interferir nas estimativas dos parâmetros, na seleção do modelo geoestatístico e na construção do mapa da variabilidade espacial. Para estudar dados espacialmente correlacionados, utilizamos a modelagem espacial linear com distribuição t-student reparametrizada. Essa distribuição tem sido usada como alternativa à distribuição normal quando os dados apresentam valores discrepantes, possuindo a mesma forma da matriz de covariâncias que a distribuição normal, o que permite uma comparação direta entre elas. A metodologia é ilustrada com um conjunto de dados reais e os resultados mostraram uma modelagem mais robusta na presença de observações influentes.

Palestrante: Dra. Silvana Schneider

Resumo: Neste trabalho, apresentamos abordagens baseadas em modelos de fração de cura com censura dependente. A associação entre tempos de falha e censura dependente pode ser acomodada através do modelo de fragilidade ou através das funções cópula. As distribuições marginais são ajustadas pelas distribuições Weibull e exponencial por partes (PE). Os resultados do estudo de simulação mostram um viés relativo pequeno e probabilidade de cobertura próxima ao valor nominal. Com o objetivo de avaliar a adesão ao tratamento da Tuberculose (TB) e seus resultados subsequentes, considerando uma amostra de pacientes coinfectados por TB/HIV da Coorte Alvorada, um estudo epidemiológico realizado em Alvorada, Rio Grande do Sul.

Palestrante: Dr. Diego Ramos Canterle

Título: Robust estimation via maximum Lq-likelihood estimator in a multivariate normal regression model with general parameterization

Resumo: This work addresses the maximum L$_q$-likelihood estimator in a multivariate normal regression model with general parameterization. We have derived the necessary quantities to make inferences which are explained in detail for three specific cases, namely, heteroscedastic nonlinear regression models, errors-in-variables models and mixed models. To evaluate the performance of our proposal, we conduct Monte Carlo simulations. Finally, we apply our method to real-world data.

Palestrante: Dr. Marcos Braz Vaz

Título: Tamanho amostral e poder do teste em experimentos com bovinos de corte

Resumo: O planejamento experimental é essencial para garantir a qualidade e a confiabilidade das pesquisas em produção animal. Esta palestra apresenta uma abordagem para a estimativa do tamanho amostral em experimentos com bovinos de corte, destacando o cálculo do número de repetições por tratamento em diferentes delineamentos com ANOVA. O método utiliza o estimador de Cohen para relacionar tamanho de efeito, poder do teste e erros do tipo I e II, permitindo identificar valores adequados de r que garantam maior precisão estatística, com o objetivo de orientar o pesquisador no equilíbrio entre rigor estatístico, viabilidade prática e bem-estar animal.

Palestrante: Dra. Amanda Merian

Título: Parametric quantile regression models: an overview

Resumo: Quantile regression is a flexible modeling framework that allows researchers to investigate the effects of covariates on the conditional quantiles of a response variable across the entire distribution, rather than focusing solely on the mean. Compared to regression models for the mean, it provides a better characterization of the quantities of interest and simpler interpretations than nonparametric regression. Although there is a growing literature in this area, most studies consider distribution-free approaches or semiparametric approaches. In this presentation, I will introduce general notions about parametric quantile regression models and, through an application to real data, illustrate the use of these models in health sciences, highlighting their ability to capture diferente effects in subgroups of individuals.