Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/60389
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.creator | Guilherme Lopes de Oliveira | pt_BR |
dc.creator | Raffaele Argiento | pt_BR |
dc.creator | Rosangela Helena Loschi | pt_BR |
dc.creator | Renato Martins Assunção | pt_BR |
dc.creator | Fabrizio Ruggeri | pt_BR |
dc.creator | Márcia D'Elia Branco | pt_BR |
dc.date.accessioned | 2023-10-31T21:29:42Z | - |
dc.date.available | 2023-10-31T21:29:42Z | - |
dc.date.issued | 2022 | - |
dc.citation.volume | 17 | pt_BR |
dc.citation.spage | 95 | pt_BR |
dc.citation.epage | 126 | pt_BR |
dc.identifier.doi | https://doi.org/10.1214/20-BA1244 | pt_BR |
dc.identifier.issn | 1931-6690 | pt_BR |
dc.identifier.uri | http://hdl.handle.net/1843/60389 | - |
dc.description.abstract | A qualidade dos dados provenientes de regiões pobres e socialmente desfavorecidas deu origem a muitos desafios estatísticos. Um deles é a subnotificação de eventos vitais, levando a estimativas tendenciosas dos riscos associados. Para lidar com dados de contagem subnotificados, modelos baseados em distribuições compostas de Poisson têm sido comumente assumidos. Para serem identificáveis, tais modelos geralmente requerem informações extras e fortes sobre a probabilidade de reportar o evento em todas as áreas de interesse, o que nem sempre está disponível. Introduziu-se uma nova abordagem para o modelo composto de Poisson assumindo que as áreas são agrupadas de acordo com a qualidade dos dados. Aproveitou-se desses clusters para criar uma estrutura hierárquica na qual as probabilidades de relato diminuem à medida que se passa do melhor grupo para o pior. Obteve-se restrições para a identificabilidade do modelo e provou-se que apenas são necessárias informações prévias sobre a probabilidade de relato em áreas com melhor qualidade de dados. São apresentadas diversas abordagens para modelar a incerteza sobre as probabilidades de relato, incluindo anteriores de referência. Diferentes características da metodologia proposta são estudadas através de simulação. O modelo foi aplicado para mapear os riscos de mortalidade neonatal precoce em Minas Gerais, um estado brasileiro que apresenta características heterogêneas e uma desigualdade socioeconômica relevante. | pt_BR |
dc.description.resumo | Data quality from poor and socially deprived regions have given rise to many statistical challenges. One of them is the underreporting of vital events leading to biased estimates for the associated risks. To deal with underreported count data, models based on compound Poisson distributions have been commonly assumed. To be identifiable, such models usually require extra and strong information about the probability of reporting the event in all areas of interest, which is not always available. We introduce a novel approach for the compound Poisson model assuming that the areas are clustered according to their data quality. We leverage these clusters to create a hierarchical structure in which the reporting probabilities decrease as we move from the best group to the worst ones. We obtain constraints for model identifiability and prove that only prior information about the reporting probability in areas experiencing the best data quality is required. Several approaches to model the uncertainty about the reporting probabilities are presented, including reference priors. Different features regarding the proposed methodology are studied through simulation. We apply our model to map the early neonatal mortality risks in Minas Gerais, a Brazilian state that presents heterogeneous characteristics and a relevant socio-economical inequality. | pt_BR |
dc.description.sponsorship | CNPq - Conselho Nacional de Desenvolvimento Científico e Tecnológico | pt_BR |
dc.description.sponsorship | FAPEMIG - Fundação de Amparo à Pesquisa do Estado de Minas Gerais | pt_BR |
dc.description.sponsorship | CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior | pt_BR |
dc.format.mimetype | pt_BR | |
dc.language | por | pt_BR |
dc.publisher | Universidade Federal de Minas Gerais | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.department | ICX - DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃO | pt_BR |
dc.publisher.department | ICX - DEPARTAMENTO DE ESTATÍSTICA | pt_BR |
dc.publisher.initials | UFMG | pt_BR |
dc.relation.ispartof | Bayesian analysis | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject | Compound poisson model | pt_BR |
dc.subject | Generalized beta distribution | pt_BR |
dc.subject | Jeffreys prior | pt_BR |
dc.subject | Model identifiability | pt_BR |
dc.subject | Neonatal mortality | pt_BR |
dc.subject | Underreporting | pt_BR |
dc.subject.other | Estatística | pt_BR |
dc.subject.other | Distribuição de poisson | pt_BR |
dc.subject.other | Mortalidade infantil | pt_BR |
dc.subject.other | Sub-registro | pt_BR |
dc.title | Bias correction in clustered underreported data | pt_BR |
dc.title.alternative | Correção de viés em dados agrupados subnotificados | pt_BR |
dc.type | Artigo de Periódico | pt_BR |
dc.url.externa | https://projecteuclid.org/journals/bayesian-analysis/volume-17/issue-1/Bias-Correction-in-Clustered-Underreported-Data/10.1214/20-BA1244.full | pt_BR |
dc.identifier.orcid | https://orcid.org/0000-0003-3220-6356 | pt_BR |
dc.identifier.orcid | https://orcid.org/0000-0001-6554-9799 | pt_BR |
dc.identifier.orcid | https://orcid.org/0000-0002-6724-9367 | pt_BR |
Appears in Collections: | Artigo de Periódico |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Bias correction in clustered underreported data.pdf | 4.42 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.