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

Abstract

Dados 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.