Use este identificador para citar ou linkar para este item:
http://hdl.handle.net/1843/BUBD-A89PEH
Tipo: | Dissertação de Mestrado |
Título: | Modeling underreported infant mortality data with a random censoring poisson model |
Autor(es): | Guilherme Lopes de Oliveira |
Primeiro Orientador: | Rosangela Helena Loschi |
Primeiro Coorientador: | Renato Martins Assuncao |
Primeiro membro da banca : | Leonardo Soares Bastos |
Segundo membro da banca: | Wagner Barreto de Souza |
Terceiro membro da banca: | Renato Martins Assuncao |
Resumo: | Em áreas pobres e socialmente mais desfavorecidas, dados econômicos, sociais e de saúde são tipicamente subnotificados. Consequentemente, inferência utilizando as contagens observadas para o evento de interesse será tendenciosa e os riscos inerentes serão subestimados. Para contornar este problema, Bailey et al. (2005) propõem considerar os dados provenientes de áreas suspeitas como informações censuradas e desenvolvem uma abordagem Bayesiana espacial para o chamado modelo Poisson Censurado (MPC). Este modelo assume que todas as áreas censuradas são precisamente conhecidas a priori, o que não e uma tarefa simples em muitas situações práticas. Então, para levar em conta uma potencial subnotificação em um conjunto de dados de mortalidade infantil, nós propomos o modelo Poisson Censurado Aleatoriamente (MPCA) como uma extensão do MPC através da modelagem conjunta dos processos de geração e de reportacão /registro dos dados em vez de requerer uma pré-especificação das áreas censuradas. Assume-se que as contagens observadas têm uma distribuição Poisson e as probabilidades de subnotificação são associados a um modelo logístico apropriado. Distribuições a priori informativas são consideradas para o processo de reportação dos dados. Propomos também um esquema de amostragem MCMC baseado na técnica de aumento de dados. Aumentando artificialmente os dados através de variáveis latentes, nós facilitamos o processo de amostragem a posteriori. Para avaliar o modelo proposto, apresentamos um estudo de simulação em que tal modelo é comparado com o MPC usando diferentes critérios de censura fixos. Por fim, o modelo proposto é aplicado no mapeamento do risco relativo de mortalidade neonatal precoce no Estado de Minas Gerais, Brasil, onde a qualidade dos dados é verdadeiramente precária em muitas regiões. |
Abstract: | In poor and socially deprived areas, economic, social and health data are typically underreported. As a consequence, inference using the observed counts for the event of interest will be biased and risks will be underestimated. To overcome this problem, Bailey et al. (2005) propose to consider data from suspected areas as censored information and develop a spatial Bayesian approach for the so-called Censored Poisson model (CPM). However, the CPM assumes that all censored areas are precisely known a priori, which is not a simple task in many practical situations. To account for potential underreporting in an infant mortality dataset, we propose an extension on the CPM by jointly modeling the data generating and the data reporting processes. We assume that observed counts have a Poisson distribution and the underreporting probabilities are associated to an appropriate logistic model. By doing that, we introduce the Random Censoring Poisson model (RCPM) in which the censoring mechanism is treated as random instead of requiring a previous specication of the censored (underreported) areas. Informative priors on the data reporting process are considered. We also propose a MCMC sampling scheme based on the data augmentation technique. By artificially augmenting the data through latent variables, we facilitate the posterior sampling process. To evaluate the proposed model, we run a simulation study in which such a model is compared with the CPM using diferent fixed censoring criteria. Also, we apply the proposed model to map the early neonatal mortality rates in Minas Gerais State, Brazil, where data quality is truly poor in many regions. |
Assunto: | Estatistica Poisson, Distribuição de eoria bayesiana de decisão estatistica Mortalidade infantil Mortalidade infantil Estatistica Teoria bayesiana de decisão estatistica pidemiologia Modelos estatisticos |
Idioma: | Português |
Editor: | Universidade Federal de Minas Gerais |
Sigla da Instituição: | UFMG |
Tipo de Acesso: | Acesso Aberto |
URI: | http://hdl.handle.net/1843/BUBD-A89PEH |
Data do documento: | 26-Fev-2016 |
Aparece nas coleções: | Dissertações de Mestrado |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
guilhermeoliveira___finalmasterthesis.pdf | 8.77 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.