Nos últimos anos, temos visto uma epidemia de epidemias, sendo a covid a mais recente. Antes dela, vimos a emergência da Zika, da influenza H1N1, entre outras. A nível nacional, vimos a expansão da Febre Amarela, surtos de sarampo, a urbanização da leishmaniose. São todas doenças transmissíveis, cuja dinâmica é caracterizada por não linearidades, retro-alimentações e interações. Nessa palestra, vou abordar os principais modelos que guiam as tomadas de decisão no controle dessas doenças, discutir os conceitos de imunidade de rebanho e o número reprodutivo assim como suas aplicações no contexto da vigilância, da dengue à covid. Também tratarei dos desafios postos para o uso de indicadores pela vigilância a fim de estimular o debate e o desenvolvimento de novos métodos analíticos.

Resumo em breve.

Machine learning algorithms offer state-of-the-art predictive performance in a variety of domains, but often lack an associated measure of uncertainty quantification. Split conformal prediction is a leading tool to obtain predictive intervals with virtually no assumptions beyond data exchangeability. This crucial assumption, however, hinders its applicability to many important data, such as time series and spatially dependent processes. In this talk, we will introduce split CP and show how it can be extended to non-exchangeable settings through a small coverage penalty. The proposed framework, based on concentration of measure inequalities, works more generally than traditional split CP, and experiments corroborate our coverage guarantees even under highly dependent data. This is joint work with Roberto Imbuzeiro Oliveira, Thiago Ramos and João Vitor Romano.

Quantile regression models provide richer information on the effects of the predictors than does the traditional mean regression and it is less sensitive to heteroscedasticity and outliers, accommodating non-normal errors often encountered in practical applications. Bayesian inference for quantile regression may proceed by forming the likelihood function based on the asymmetric Laplace distribution or a generalization, and a location-scale mixture representation of it allows finding analytical expressions for the conditional posterior densities of the model. The main aim of this talk is to present some extensions of quantile regression.

Informações em breve.

O II Encontro de Mulheres na Estatística e Ciência de Dados (II EMECD) ocorrerá no período de 07 a 09 de junho de 2022. A programação do evento no dia 08/06 contará como parte do Ciclo de Palestras.

Mais detalhes sobre o evento podem ser vistos em https://www.even3.com.br/mulheresestatistica22/.

Identificar nós importantes, estimar a probabilidade de conexão entre eles e distinguir grupos latentes são alguns dos principais objetivos da análise de redes sociais. Neste trabalho é proposta uma classe de modelos para equivalência estocástica que permite visualizar grupos em um espaço não-observável. Os modelos baseiam-se em duas abordagens: distâncias latentes entre grupos e dissimilaridades latentes entre grupos. Ao contrário da forma tradicional na literatura, a projeção dos grupos no espaço latente é realizada aqui sem a necessidade de projetar os nós. A abordagem utilizada pode ser aplicada em grafos direcionais ou não-direcionais e é suficientemente flexível para agrupar e quantificar probabilidades de conexão intra e entre-grupos em redes sociais. Por fim, a eficácia da metodologia é evidenciada pela análise de dados simulados e de dois casos reais.

In financial risk management, modelling dependency within a random vector X is crucial, a standard approach is the use of a copula model. Say the copula model can be sampled through realizations of Y having copula function C: had the marginals of Y been known, sampling X^(i) , the i-th component of X, would directly follow by composing Y^(i) with its cumulative distribution function (c.d.f.) and the inverse c.d.f. of X^(i). In this work, the marginals of Y are not explicit, as in a factor copula model. We design an algorithm which samples X through an empirical approximation of the c.d.f. of the Y marginals. To be able to handle complex distributions for Y or rare-event computations, we allow Markov Chain Monte Carlo (MCMC) samplers. We establish convergence results whose rates depend on the tails of X, Y and the Lyapunov function of the MCMC sampler. We present numerical experiments confirming the convergence rates and also revisit a real data analysis from financial risk management.
Joint work with Cyril Bénézet and Emmanuel Gobet

https://hal.archives-ouvertes.fr/hal-03334526

A avaliação das contagens observadas dos casos de COVID-19 pode não fornecer a representação completa do processo. Existem fortes evidências de que desde o início da pandemia de COVID-19 no Brasil, as contagens da doença são marcadas por um problema de subnotificação. Cada município possui sua própria política de testagem e uma quantidade limite de testes que consegue realizar em um determinado período de tempo, de modo que parte dos casos simplesmente não seja notificada. Este trabalho propõe um modelo hierárquico Bayesiano baseado em Stoner, Economou e Silva (2019), com modificações na estrutura dos efeitos espaço-temporais. A abordagem proposta permite ainda que os efeitos associados às covariáveis variem no tempo ou no espaço. A metodologia foi empregada para estudar o número de casos de COVID-19 nos 92 municípios do Rio de Janeiro, um dos 5 estados mais afetados pela pandemia no Brasil. O modelo avaliou o impacto de diferentes covariáveis na contagem de casos e na taxa de subnotificação. O ajuste do modelo indicou altas porcentagens de subnotificação. Ao final, foi possível obter contagens corrigidas dos casos de COVID-19 para o estado do Rio de Janeiro.

Resumo em breve.

Dynamic generalized linear models may be seen as an extension to dynamic linear models, accommodating non-Gaussian responses, and to generalized linear models, formally treating serial auto-correlation inherent to responses in the exponential family, observed through time. The Bayesian inference scheme does not have analytical solution and there are several approximating approaches in the literature, many of them relying on Monte Carlo Markov Chain, with the burden of computational cost. Other approaches are designed to assure computational efficiency, but due to modeling restrictions, fail to accommodate certain structural misbehavior which is not rare in practical applications, such as time-varying seasonal patterns. The present work revisits inference methods for this class, proposing a new approach based on information geometry, focusing on the k-parametric exponential family. Among others, the proposed method accommodates multinomial responses on k=d+1 categories. The method preserves the sequential aspect of the Bayesian inferential procedure, producing real-time inference and naturally accommodates association among k predictors. Information geometry concepts such as the projection theorem and Kullback-Leibler divergence are used in the development of the method, placing it close to recent approaches of variational inference. Applications to real data are presented, demonstrating the computational efficiency of the method, as well as its flexibility to quickly accommodate new patterns and information when strategically needed, favorably comparing to alternative approaches in the literature, preserving aspects of monitoring and intervention analysis, which are common in sequential analyses.

Joint work with Raíra Marotta and Helio Migon.

Palestrante: Mariana M. Vale (IB-UFRJ)
Título: Como prevenir a próxima pandemia?
Resumo: A emergência de novas doenças infecciosas tem crescido enormemente nas últimas décadas, algumas ganhando dimensões pandêmicas. A maioria dessas doenças são zoonóticas na sua origem, ou seja, são causadas por patógenos que passaram de animais, muitas vezes silvestres, para o homem. A resposta tem focado fortemente no controle da disseminação dessas doenças, uma vez que emergem, e muito pouco na sua prevenção. A palestra apresenta os resultados de estudos que propõem e estimam o custo da prevenção de pandemias, em escala global, através de quatro principais ações ambientais. As ações são tecnicamente simples e seu custo é 1/20 do custo anual associado a novas doenças infecciosas de origem zoonótica. A palestra explora também alguns aspectos do risco de emergência e custo de prevenção de novas doenças infecciosas com potencial pandêmico no Brasil.

Palestrante: Paulo Artaxo (IF-USP)
Título: Mudanças climáticas e objetivos de desenvolvimento
sustentáveis: Construindo uma sociedade sustentável
Resumo: A humanidade está em transição. Não sabemos transição para o que exatamente. Pode ser que tenhamos um aumento de temperatura global de 3 graus, com danos irreparáveis aos ecossistemas, que podem comprometer nossa sociedade. Ou um novo modelo socio-econômico que seja sustentável, com melhor justiça social e redução de desigualdades. Precisamos construir um sistema de governança global para guiar a humanidade nesta trajetória. Será possível? Como a Ciência pode ajudar nesta transição? São questões amplas e estratégicas para a humanidade que precisamos discutir.

Mais informações em http://www.im.ufrj.br/~coloquiomea/.