Título: Diagnostic Methods for Multiregression Dynamic Models

Palestrante: Lilia Carolina Carneiro da Costa (UFBA)
Data: 02/06/2021
Horário: 15:30h
Local: Transmissão online

Confira AQUI o link da transmissão.

Resumo: A Multiregression Dynamic Model (MDM) is a class of multivariate time series that represents various dynamic causal processes in a graphical way. One of the advantages of this class is that, in contrast to many other Dynamic Bayesian Networks, the hypothesised relationships accommodate conditional conjugate inference. We demonstrate how straightforward it is to search over all possible connectivity networks with dynamically changing intensity of transmission to find the Maximum a Posteriori Probability (MAP) model within this class. We proceed to show how diagnostic methods, analogous to those defined for static Bayesian Networks, can be used to suggest embellishment of the model class to extend the process of model selection. All methods are illustrated using simulated and real resting-state functional Magnetic Resonance Imaging (fMRI) data.

Acompanhem a atualização da programação do nosso ciclo de palestras AQUI.

Título: Bayesian factor models for multivariate categorical data obtained from questionnaires

Palestrante: Vitor Capdeville (Mestrando do PPGE-UFRJ)
Data: 26/05/2021
Horário: 15:30h
Local: Transmissão online

Confira AQUI o link da transmissão.

Resumo: Factor analysis is a flexible technique for assessment of multivariate dependence and codependence. Besides being an exploratory tool used to reduce the dimensionality of multivariate data, it allows estimation of common factors that often have an interesting theoretical interpretation in real problems. However, standard factor analysis is only applicable when the variables are scaled, which is often inappropriate, for example, in data obtained from questionnaires in the field of psychology, where the variables are often categorical. In this framework, we propose a factor model for the analysis of multivariate ordered and non-ordered polychotomous data. The inference procedure is done under the Bayesian approach via Markov chain Monte Carlo methods. Two Monte Carlo simulation studies are presented to investigate the performance of this approach in terms of estimation bias, precision and assessment of the number of factors. We also illustrate the proposed method to analyze participants’ responses to the Motivational State Questionnaire dataset, developed to study emotions in laboratory and field settings.

Acompanhem a atualização da programação do nosso ciclo de palestras AQUI.

Contamos com a presença de vocês!

Título: Análise de Fourier em Grafos

Palestrante: Cesar Niche (IM-UFRJ)
Data: 28/05/2021
Horário: 16:00h
Local: Transmissão online

Confira AQUI o link da transmissão.

Resumo: O principal objetivo da Análise de Fourier pode-se enunciar, de maneira informal, assim: escrever todas as funções (que verificam certas propriedades) como superposição de outras, mais simples, que formam uma base ortonormal desse espaço de funções. O exemplo mais conhecido, estudado nos cursos de Cálculo, é o das séries de Fourier de funções periódicas, as quais são superposições de senos e cosenos.

E se as nossas funções estão definidas num grafo? Um grafo é discreto e finito, nele não temos "Cálculo", pelo menos tal como o conhecemos através dos cursos usuais. Pensar em funções definidas em grafos, i.e. quantidades associadas a cada vértice, não é uma abstração: uma rede social pode ser modelada através de um grafo, e por exemplo, o número de postagens em cada dia de cada usuário é uma função definida nele.

Usando ideias de Análise, Álgebra Linear, EDPs, Estatística, Probabilidade, Processamento Digital de Sinais e Teoria de Grafos tentaremos responder (provando um resultado, implementando em Python) dois problemas bem importantes:

1) dado um grafo, posso saber (aproximadamente, exatamente) os valores de uma função em todos os vértices conhecendo só alguns desses valores? (amostragem);

2) dado um conjunto de pontos nos quais está definida uma função, qual é o grafo que "melhor" conecta esses pontos? (aprendizado de grafos).

Disclaimer: esta palestra é propaganda para um curso de Mestrado de Análise de Fourier em Grafos que, provavelmente, ditarei no segundo semestre do calendário da Pós-Graduação (última semana de setembro de 2021 - primeira semana de fevereiro de 2022).

Título: Nowcasting Covid-19 deaths and hospitalised cases in Brazil

Palestrante: Leonardo Bastos (Fiocruz)
Data: 12/05/2021
Horário: 15:30h
Local: Transmissão online

Confira AQUI o link para a transmissão.

Resumo: The coronavirus disease (COVID-19) pandemic continues to cause a massive burden in the world, especially in countries such as Brazil, with poor implementation of strategies to mitigate the transmission of SARS-CoV-2. The number of cases, severe cases, and deaths by COVID-19 are important indicators of how the COVID-19 epidemic is affecting a particular region and can be used by decision-makers to act in order to reduce morbidity and mortality. However, a common problem with surveillance data is reporting delays, whereby cases and deaths are recorded in the surveillance system days or even weeks after they occurred. Statistical models can estimate the actual number of cases, severe cases, and deaths by COVID-19 accounting for the delays (nowcasting). We proposed a Bayesian hierarchical model to nowcast deaths and hospitalised cases for Brazil and also for the 27 federal units. Finally, we provide some general discussion about the COVID-19 situation in Brazil.

Atenção: A palestra ocorrerá remotamente com transmissão ao vivo pelo canal Ciclo de Palestras Estatística UFRJ do Youtube.

Contamos com a presença de vocês.

Acompanhe AQUI a atualização da programação do nosso ciclo de palestra.