New extensions of the generalized mixed spatiotemporal modeling with random effect via factor analysis

Modelos Lineares Mistos Generalizados (GLMM) são utilizados quando há interesse em modelar efeitos fixos e aleatórios em uma regressão com variável resposta pertencente à família exponencial. Neste trabalho um GLMM com efeito aleatório é modelado via análise fatorial com interação não linear entre o...

ver descrição completa

Detalhes bibliográficos
Autor: Natália Caroline Costa de Oliveira
Formato: tesis de maestría
Estado:Versión publicada
Fecha de publicación:2023
País:Brasil
Recursos:Universidade Federal de Minas Gerais (UFMG)
Repositorio:Repositório Institucional da UFMG
Idioma:inglés
OAI Identifier:oai:repositorio.ufmg.br:1843/79700
Acesso em linha:http://hdl.handle.net/1843/79700
Access Level:acceso abierto
Palavra-chave:Regression
Interaction
MCMC
Gaussian process
CAR model
Estatística - Teses
Análise de regressão - Teses
Processos gaussianos - Teses
Análise fatorial - Teses
id BR_3d50b4ae9747d8bba7beb178dd4d7cf6
oai_identifier_str oai:repositorio.ufmg.br:1843/79700
network_acronym_str BR
network_name_str Brasil
repository_id_str
dc.title.none.fl_str_mv New extensions of the generalized mixed spatiotemporal modeling with random effect via factor analysis
Novas extensões da modelagem espaciotemporal mista generalizada com efeito aleatório via análise fatorial
title New extensions of the generalized mixed spatiotemporal modeling with random effect via factor analysis
spellingShingle New extensions of the generalized mixed spatiotemporal modeling with random effect via factor analysis
Natália Caroline Costa de Oliveira
Regression
Interaction
MCMC
Gaussian process
CAR model
Estatística - Teses
Análise de regressão - Teses
Processos gaussianos - Teses
Análise fatorial - Teses
title_short New extensions of the generalized mixed spatiotemporal modeling with random effect via factor analysis
title_full New extensions of the generalized mixed spatiotemporal modeling with random effect via factor analysis
title_fullStr New extensions of the generalized mixed spatiotemporal modeling with random effect via factor analysis
title_full_unstemmed New extensions of the generalized mixed spatiotemporal modeling with random effect via factor analysis
title_sort New extensions of the generalized mixed spatiotemporal modeling with random effect via factor analysis
dc.creator.none.fl_str_mv Natália Caroline Costa de Oliveira
author Natália Caroline Costa de Oliveira
author_facet Natália Caroline Costa de Oliveira
author_role author
dc.contributor.none.fl_str_mv Vinícius Diniz Mayrink
http://lattes.cnpq.br/8460573638694827
Marcos Oliveira Prates
Thaís Cristina Oliveira da Fonseca
dc.subject.por.fl_str_mv Regression
Interaction
MCMC
Gaussian process
CAR model
Estatística - Teses
Análise de regressão - Teses
Processos gaussianos - Teses
Análise fatorial - Teses
topic Regression
Interaction
MCMC
Gaussian process
CAR model
Estatística - Teses
Análise de regressão - Teses
Processos gaussianos - Teses
Análise fatorial - Teses
description Modelos Lineares Mistos Generalizados (GLMM) são utilizados quando há interesse em modelar efeitos fixos e aleatórios em uma regressão com variável resposta pertencente à família exponencial. Neste trabalho um GLMM com efeito aleatório é modelado via análise fatorial com interação não linear entre os escores fatoriais. Além disso, consideramos no estudo um efeito espaço-temporal. A dependência espacial é estabelecida através das colunas da matriz de cargas da abordagem fatorial usando a modelagem CAR (modelo Autorregressivo Condicional). A dependência temporal está relacionada às linhas da matriz de escores de fatores em uma estrutura AR(1)- modelo Autorregressivo. Um objetivo de se considerar um modelo com interação não linear entre fatores latentes é possibilitar a captura de níveis complexos de associações entre regiões e fatores. Um segundo objetivo é diversificar os tipos de clusters (grupos de regiões) estabelecidos por combinações de efeitos envolvendo fatores principais e a interação. Problemas de identificação podem ocorrer na modelagem de fatores, e aqui apresentamos algumas estratégias para tornar o modelo identificável. O foco deste trabalho é estabelecer uma proposta de modelagem para variável resposta contínua, como a Normal, Gama e Beta. Um estudo simulado é realizado para explorar a performance dos modelos. Um esquema Monte Carlo com replicações é também usado na análise. Finalmente, o modelo Beta é ilustrado em uma aplicação real usando dados (do INEP) sobre indivíduos que fizeram o Exame Nacional do Ensino Médio (período 2015−2021) no Estado de Minas Gerais de modo a relacionar a combinação linear das notas das provas objetivas com outras covariáveis. Um dos objetivos é encontrar clusters que evidenciam padrões espaciais e temporais das notas dos indivíduos presentes no estudo.
publishDate 2023
dc.date.none.fl_str_mv 2023-02-28
2025-02-06T14:33:34Z
2025-02-06T14:33:34Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/1843/79700
url http://hdl.handle.net/1843/79700
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal de Minas Gerais
Brasil
ICX - DEPARTAMENTO DE ESTATÍSTICA
Programa de Pós-Graduação em Estatística
UFMG
publisher.none.fl_str_mv Universidade Federal de Minas Gerais
Brasil
ICX - DEPARTAMENTO DE ESTATÍSTICA
Programa de Pós-Graduação em Estatística
UFMG
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFMG
instname:Universidade Federal de Minas Gerais (UFMG)
instacron:UFMG
instname_str Universidade Federal de Minas Gerais (UFMG)
instacron_str UFMG
institution UFMG
reponame_str Repositório Institucional da UFMG
collection Repositório Institucional da UFMG
repository.name.fl_str_mv Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)
repository.mail.fl_str_mv repositorio@ufmg.br
_version_ 1853663101147152384
spelling New extensions of the generalized mixed spatiotemporal modeling with random effect via factor analysisNovas extensões da modelagem espaciotemporal mista generalizada com efeito aleatório via análise fatorialRegressionInteractionMCMCGaussian processCAR modelEstatística - TesesAnálise de regressão - TesesProcessos gaussianos - TesesAnálise fatorial - TesesModelos Lineares Mistos Generalizados (GLMM) são utilizados quando há interesse em modelar efeitos fixos e aleatórios em uma regressão com variável resposta pertencente à família exponencial. Neste trabalho um GLMM com efeito aleatório é modelado via análise fatorial com interação não linear entre os escores fatoriais. Além disso, consideramos no estudo um efeito espaço-temporal. A dependência espacial é estabelecida através das colunas da matriz de cargas da abordagem fatorial usando a modelagem CAR (modelo Autorregressivo Condicional). A dependência temporal está relacionada às linhas da matriz de escores de fatores em uma estrutura AR(1)- modelo Autorregressivo. Um objetivo de se considerar um modelo com interação não linear entre fatores latentes é possibilitar a captura de níveis complexos de associações entre regiões e fatores. Um segundo objetivo é diversificar os tipos de clusters (grupos de regiões) estabelecidos por combinações de efeitos envolvendo fatores principais e a interação. Problemas de identificação podem ocorrer na modelagem de fatores, e aqui apresentamos algumas estratégias para tornar o modelo identificável. O foco deste trabalho é estabelecer uma proposta de modelagem para variável resposta contínua, como a Normal, Gama e Beta. Um estudo simulado é realizado para explorar a performance dos modelos. Um esquema Monte Carlo com replicações é também usado na análise. Finalmente, o modelo Beta é ilustrado em uma aplicação real usando dados (do INEP) sobre indivíduos que fizeram o Exame Nacional do Ensino Médio (período 2015−2021) no Estado de Minas Gerais de modo a relacionar a combinação linear das notas das provas objetivas com outras covariáveis. Um dos objetivos é encontrar clusters que evidenciam padrões espaciais e temporais das notas dos indivíduos presentes no estudo.Generalized Linear Mixed Models (GLMM) are used when there is an interest in modeling fixed and random effects in regression with response belonging to the exponential family. In this work, a GLMM with a random effect is modeled via factor analysis (FA) with nonlinear interaction between the factor scores. We consider in the framework a spatiotemporal effect. The spatial dependence is established via CAR model (Conditional Autoregressive model) for the columns of the loadings matrix defined FA part of the model. The temporal dependence is related to the rows of the factor score matrix in an AR(1) model- first-order Autoregressive model. One goal of considering a model with nonlinear interactions between latent factors is to enable capturing complex levels of associations between regions and factors. Another goal is to diversify the types of clusters (groups of regions) established by combinations of effects involving the main factors and the interaction. Identification problems can occur in factor modeling, and here we present some strategies to make the model identifiable. The focus of this work is to model continuous responses, such as those from Normal, Gamma, and Beta distributions. A comprehensive simulation study is developed to verify performance and explore the models. A Monte Carlo scheme with replications is also considered in the analysis. Finally, the Beta model is illustrated in a real application using data (from INEP) about individuals taking the Brazilian national exam ENEM (period 2015−2021) in the State of Minas Gerais in order to relate the linear combination of the scores of the objective tests with other covariates. One of the goals is to find clusters that show spatial and temporal patterns of the scores of individuals present in the study.CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorUniversidade Federal de Minas GeraisBrasilICX - DEPARTAMENTO DE ESTATÍSTICAPrograma de Pós-Graduação em EstatísticaUFMGVinícius Diniz Mayrinkhttp://lattes.cnpq.br/8460573638694827Marcos Oliveira PratesThaís Cristina Oliveira da Fonseca2025-02-06T14:33:34Z2025-02-06T14:33:34Z2023-02-28info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/1843/79700enginfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGNatália Caroline Costa de Oliveira2025-02-06T14:33:35Zoai:repositorio.ufmg.br:1843/79700Repositório InstitucionalPUBhttps://repositorio.ufmg.br/oairepositorio@ufmg.bropendoar:2025-02-06T14:33:35Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false
score 15,223283

Registos relacionados