Resumo em breve.

Contagens espaço-temporais relativas a doenças infecciosas, em geral, contém excesso de zeros. Os modelos de contagens inflacionados de zeros têm dificuldade em capturar a heterogeneidade espaço-temporal dos efeitos do espalhamento da doença entre áreas. Além disso, os métodos existentes não permitem uma separação na descrição da dinâmica entre a re-emergência e a persistência da doença. Como alternativa, desenvolvemos um novo modelo binomial negativo de Markov switching acoplado, sob o qual a doença alterna entre períodos de presença e ausência em cada área através de uma série de cadeias de Markov não homogêneas parcialmente ocultas e acopladas entre locais vizinhos. Quando a doença está presente, um modelo binomial negativo autorregressivo gera os casos com um possível zero representando a doença não detectada. Ajustamos diferentes versões do modelo proposto ao número semanal de casos de dengue nos bairros do Rio de Janeiro. Também ajustamos uma extensão do modelo para casos semanais de Zika em municípios da Colômbia. Por fim, propomos uma versão hurdle do modelo binomial negativo de Markov switching e comparamos os diferentes modelos ao analisar a primeira epidemia de Chikungunya no Rio de Janeiro entre 2015 e 2016. Esta palestra compreende trabalhos em conjunto com Dirk Douwes-Schultz (Doutorando em Bioestatística, Universidade McGill), Laís P. Freitas (Pós-doutoranda, Université de Montréal) e Mingchi Xu (Doutorando em Bioestatística, Universidade McGill).

Insurance claims modeling is a crucial task of the property and casualty insurance industry. An essential ingredient in this modeling process is the two-stage approach, encompassing a frequency model for the number of claims and a severity model that measures the financial impact of a given claim. While machine learning models have been widely employed in this context, they often provide only pointwise predictions. In this work, we present a nonparametric model-agnostic framework for building prediction intervals of insurance claims, with finite sample statistical guarantees, extending the technique of split conformal prediction to the domain of two-stage frequency-severity modeling. The effectiveness of the framework is showcased using a dataset from soybean crop insurance in Brazil.

Informações em http://www.im.ufrj.br/~coloquiomea/.

Bureau Statistics around the world have been experimenting an increasing need to provide reliable estimates of economic and social indexes, such as proportion or rates, from socio-economic surveys data at small area level. However, due to the relatively small sample size of these areas, it is not viable to obtain estimates with an acceptable level of accuracy without using model-based approaches. This work proposes to model the direct estimator of the rates or proportions in small area domains as Beta distributed. The novelty is to also model the sampling precision estimator as a Beta prime distribution. An evaluation study with real data shows that there is an extra gain in jointly modelling the direct estimator and its sampling precision estimator. An application to estimating insecurity food index in small areas of a Brazilian state is also provided.

Acesse os slides aqui.

Informações em http://www.im.ufrj.br/~coloquiomea/.

In ever-larger dynamic systems, it is increasingly difficult for decision makers to effectively account for all the variables within the system that may influence the outcomes of interest. This task is even harder if the system evolves over time. In this context, Bayesian Networks offer a useful approach designed to account for uncertainties using both expert knowledge and experimental data. The idea is based on a divide to conquer strategy and accounts for temporal dependence through dynamical evolution of model parameters. In this talk, I present applications of Bayesian networks in healthy, digital preservation and food security. The graphical structure and probabilities are either estimated or elicited according to expert information. For the discrete multivariate case, I present a new temporal evolution based on Dirichlet processes. An online app designed to be accessible to experts is developed and allows practitioners to manage risks in decision making under uncertainty.

Acesse os slides aqui.

Será explicado o que é modelo de Percolação de Bernoulli em um grafo. Este modelo tem a notável propriedade que com um mínimo de definições já podemos enunciar problemas aparentemente fáceis de serem entendidos mas que ainda são problemas em aberto. Nesta palestra, exibirei vários destes problemas; alguns extremamente famosos e importantes e outros onde eu e colaboradores já obtivemos algum progresso em casos especiais, mas os casos gerais continuam em aberto. Nenhum conhecimento prévio de Percolação é necessário para acompanhar esta palestra.

Acesse os slides aqui.

O problema clássico de controle ótimo de um sistema dinâmico discreto pode ser reinterpretado como um problema de programação matemática. A forma padrão de um sistema dinâmico discreto é uma recorrência que permite calcular o estado no instante seguinte (=um passo à frente), a partir dos estados e controles atuais. Adotando este ponto de vista, controle ótimo um passo à frente consiste em encontrar o controle ótimo utilizando programação matemática. Serão dados vários exemplos desta abordagem para sistemas dinâmicos oriundos da chamada dinâmica de negócios que se refere a uma combinação de gerenciamento de negócios e objetivos financeiros, contemplada em um modelo dinâmico sujeito a um controle. O objetivo é otimizar um índice que leva em consideração tanto os aspectos gerenciais quanto os aspectos financeiros, de modo que o controle seja aplicável em tempo real. Serão apresentados exemplos de amortização de dívidas, saldo de caixa, e dinâmica de opiniões, acompanhados de uma indicação da solução prática (utilizando Julia/JuMP).

Acesse os slides aqui.

Informações em http://www.im.ufrj.br/~coloquiomea/.

Grafos oferecem uma poderosa abstração para representar entidades (vértices) e relacionamentos (arestas), sendo mais recentemente utilizados para representar dados complexos de diferentes naturezas, tais como redes sociais, grafos de conhecimento, e interação entre proteínas. Além dos dados (atributos) associados às entidades, a estrutura do grafo oferece uma importante informação adicional, pois codifica a interação direta e indireta entre as entidades. A fusão dessas informações (atributos e rede) em um novo atributo (vetor) para os vértices oferece uma representação unificada que pode ser utilizada em diferentes tarefas de aprendizado, tais como classificação e previsão. Neste contexto, redes neurais vêm sendo utilizadas para aprender e gerar esta representação vetorial, dando origem a Redes Neurais para Grafos (Graph Neural Networks). Mas o que deve ser aprendido? Nesta palestra, iremos rever algumas das abordagens propostas na literatura, mostrando que não há bala de prata, e apresentar algumas aplicações específicas, terminando com alguns desafios desta abordagem.

Acesse os slides aqui.

We propose and discuss a Bayesian procedure to estimate causal effects for multilevel observations in the presence of confounding. This work is motivated by an interest in determining the causal impact of directly observed therapy on the successful treatment of Tuberculosis. We focus on propensity score regression and covariate adjustment to balance the treatment allocation. We discuss the need to include latent local level random effects in the propensity score model to reduce bias in the estimation of causal effects. A simulation study suggests that accounting for the multilevel nature of the data with latent structures in both the outcome and propensity score models has the potential to reduce bias in the estimation of causal effects.

Link of the paper: https://doi.org/10.1093/jrsssc/qlad034

Acesse os slides aqui.