Iniciação Científica

No que se refere ao mapeamento de doenças, o modelo bayesiano proposto por Besag, York e Mollié(1991), denotado por BYM, é a escolha mais popular para estimar o risco relativo em áreas pequenas ou para avaliar os efeitos de covariáveis que atuam como substitutos a medidas de exposição. Um aspecto essencial do modelo BYM que vem sendo pouco estudado é a especificação da estrutura de vizinhança. Tipicamente ela é especificada com base somente nas relações de adjacência. Existem poucas justificativas para essa prática além da conveniência e facilidade nos cálculos. Isso justifica a investigação de modelos mais flexíveis no que se refere à essa estrutura de vizinhança. Em particular, fazer inferência sobre tal estrutura pode ser interessante. Tanto o modelo BYM como outros correntemente utilizados são definidos a partir de distribuições condicionais. Usualmente, porém, tais distribuições são definidas como função apenas dos vizinhos de primeira ordem de cada área. Dessa forma, ignora-se toda a informação no mapa que esteja além dessa vizinhança. A nossa idéia é incluir essa informação nas prioris através das condicionais e, a partir da atualização dos dados, verificar qual a sua relevância. Isso sugere um modelo mais flexível que os demais e, portanto, mais adequado a um número maior de situações. Nesse trabalho exploramos algumas propriedades teóricas do modelo apresentado. Analisamos a forma das distribuições condicionais a priori, bem como a estrutura de covariância dos efeitos aleatórios a posteriori. Ajustamos ainda o modelo para um conjunto de dados observados em uma região pequena e, portanto, relativamente homogênea e modelo conseguiu captar bem essa estrutura de correlação, o que não ocorre para os demais modelos analisados. Fizemos ainda simulações supondo o risco relativo constante e as estimativas obtidas a posteriori foram mais precisas que aquelas apresentadas pelos demais. Portanto, o modelo apresentado pode representar uma alternativa mais flexível do que aqueles que já existem na literatura sem, porém, perder interpretabilidade dos parâmetros.

O planejamento de um estudo longitudinal em que cada unidade de investigação é observada em todas as ocasiões para as quais o estudo foi globalmente dimensionado precisa considerar características especiais deste tipo de dado, como correlação e heterocedasticidade. O cálculo do tamanho da amostra depende de suposições, que podem mudar facilmente, e do objetivo do estudo. Este trabalho tem com meta sumarizar e comparar alguns procedimentos disponíveis na literatura para cálculo do tamanho amostral em estudos longitudinais com medidas repetidas. Se o estudo é longitudinal e objetiva comparar médias entre dois grupos, a literatura apresenta diferentes abordagens para considerar a dependência entre medidas repetidas no tempo (Twisk, 2003; Kirby et al, 1994; Overall e Doyle, 1994). Um dos procedimentos objetiva comparar a evolução da variável de interesse durante o período de acompanhamento; o outro almeja comparar taxas de mudança da trajetória linear ao longo do tempo; enquanto o terceiro procedimento testa a diferença nos escores de mudanças entre a primeira e a última mensurações dos dois grupos. A comparação desses métodos foi realizada considerando-se diferentes cenários, contemplando variação no número de mensurações, na diferença das médias entre os grupos, na variabilidade estimada para a variável de interesse e nos parâmetros da estrutura de correlação. Pode-se verificar diferenças substanciais no tamanho amostral obtido pelos três procedimentos a depender dos parâmetros a serem considerados. Verifica-se, em particular, mesma tendência nos resultados provenientes dos métodos propostos por Kirby e colaboradores (1994) e Overall e Doyle (1994). Vale ressaltar que a escolha do procedimento vai depender, mais especificamente, do objetivo do estudo e das informações disponíveis para o cálculo amostral. No entanto, as relações encontradas entre os parâmetros dos diferentes procedimentos permite o uso de dados disponíveis para implementação de qualquer um destes métodos. A distinção entre os diferentes métodos que se encontram disponíveis na literatura para cálculo do tamanho amostral em estudos longitudinais pode tornar o planejamento deste tipo de estudo mais robusto e eficaz para responder às perguntas de investigação de pesquisadores das diversas áreas do conhecimento.

*Pesquisa com financiamento da FAPESB (Termo Outorga n° APR 0434/2008)

O modelo de regressão linear é muito utilizado nas diversas áreas do conhecimento. Algumas suposições relativas ao modelo de regressão linear são tipicamente feitas. Uma delas estabelece que os erros possuem a mesma variância, ou seja, apresentam a propriedade de homoscedasticidade. Sob essas suposições o Estimador de Mínimos Quadrados Ordinários (MQO) é bastante interessante, pois nos fornece estimadores não-viesados, eficientes e consistentes. Quando a suposição de homoscedasticidade é violada dizemos que o modelo é heteroscedástico. Isso ocorre com frequência quando trabalhamos com regressões envolvendo dados de corte transversal. Na presença de heteroscedasticidade o estimador de MQO dos parâmetros lineares da estrutura de regressão permanece não-viesado e consistente, porém, o estimador usual da matriz de covariâncias do estimador de MQO dos parâmetros de regressão torna-se viesado e não consistente. Um procedimento comum consiste em utilizar o estimador de MQO para estimar os parâmetros lineares da estrutura de regressão juntamente com um estimador para a matriz de covariâncias de forma que as estimativas sejam consistentes tanto sob homoscedasticidade quanto sob heteroscedasticidade de forma desconhecida. Alguns autores propuseram estratégias para estimar a matriz de covariâncias do EMQO. Nesta pesquisa utilizamos métodos de simulação de Monte Carlo para avaliar os desempenhos de testes baseados nos estimadores HC0, HC3 e HC4 propostos por Halbert White (1980), Davidson & MacKinnon (1993) e Cribari-Neto (2004), respectivamente.

Este trabalho investiga a probabilidade de rejeitar a hipótese nula, H_0: I(1), quando o teste de Dickey-Fuller (DF) é aplicado em processos autorregressivos (AR) na presença de outliers aditivos. Em particular, o teste de Dickey-Fuller, baseado nos postos (ranks), é sugerido como metodologia alternativa para testar raízes unitárias em séries temporais com outliers do tipo aditivo. Os resultados empíricos e teóricos dão suporte do uso da metodologia proposta para aplicação prática. A série do número de moscas, analisadas em Wei (1994), é considerada neste estudo para explicar o uso do teste proposto