Regressão binomial negativa geograficamente ponderada : modelando superdispersão espacial

Abstract

A regressão global pressupõe que um modelo único é adequado para descrever todas as partes de uma região de estudo. No entanto, a força dos relacionamentos entre as variáveis pode não ser espacialmente constante. Além disso, os fatores envolvidos são geralmente tão complexos, que é difícil identificá-los na forma de variáveis explanatórias. Muitas vezes, ainda tem-se o problema de tamanho de amostra reduzido. Neste contexto, surge a Regressão Geograficamente Ponderada (RGP), a fim de modelar dados espaciais não est acionários. Utilizando funções kernel, a RGP permite que os parâmetros do modelo variem espacialmente, produzindo superfícies não paramétricas das suas estimativas. Considerando dados de contagem com superdispersão, o mais adequado é utilizar a distribuição Binomial Negativa. Por isso, o presente trabalho propõe dois modelos de Regressão Geograficamente Ponderada utilizando esta distribuição, a saber, RBNGPg e RBNGP. Estes modelos diferem-se na forma de estimação do parâmetro de superdispersão e, consequentemente, em termos de complexidade. Neste trabalho, os modelos propostos sao aplicados a 5 estudos de caso, envolvendo dados reais e simulados. Os resultados obtidos mostram a superioridade deles no ajuste de dados de contagem nao estacionários e com superdispersão com respeito aos modelos concorrentes, a saber, regressão global - Poisson e Binomial Negativa - e Regressão de Poisson Geograficamente Ponderada- Além disso, verifica-se que estes modelos concorrentes sao casos especiais do modelo mais robusto RBNGP. ______________________________________________________________________________ ABSTRACT

The global regression assumes that a single model is adequate to describe all parts of a study region. However, the strength of relationships between variables may not be spatially constant. In addition, the factors involved are often so complex that it is difficult to identify them in the form of explanatory variables. Many times, we also have the problem of small sample size. hi this context Geographically Weighted Regression (GW R) is introduced in order to model non-stationary spatial data. Using kernel functions, GW R allows the model parameters to vary spatially, producing non-parametric surfaces of their estimates. To model count data with overdispersion, the most- appropriate is to use the Negative Binomial distribution. Therefore, we propose two models of Geographically Weighted Regression using this distribution, namely GW NBRg and GW NBR. These models differ in the way the overdispersion parameter is estimated and, consequently, in terms of complexity. In this dissertation, the proposed models are applied to 5 case studies involving real and simulated data. The results show their superiority in modelling non-stationary count data with overdispersion with respect to competing models, namely, global regression - Poisson and Negative Binomial - and Geographically Weighted Poisson Regression. Moreover, we demonstrate that these competing models are special cases of the more robust model GW NBR.