Disciplina: Aplicaçõ es de Estatística Espacial

Data má xima para entrega do trabalho: 28/11/2021

Nome de todos os alunos do grupo:
Thyago Ferreira Vieira
Fá bio da Rocha Bastos Cajueiro
Alessandro Oliveira Viana Orlinda
Clá udia Rosa de Moraes
Disraeli Gomes de Figueiredo e Silva
Diego Luciano de Almeida
Jú lio Cesar Amâ ncio de Moraes

Trabalho em Grupo
Base_Filadelfia.csv – contém variá veis referentes a coordenadas (lng e lat) da
localizaçã o da ocorrência de uma violaçã o na Filadelfia. Além disso existe uma
variá vel indicando um có digo (violation_code) para o tipo de violaçã o cometido
e uma variá vel com uma descriçã o (violation_description) para a mesma.
BaseMunicipioMensal.csv – contém variá veis referentes aos municípios,
có digo IBGE (fmun_cod) e nome (fmun). Além de informar o ano, mês e a regiã o
a qual o município se refere e os quantitativos de casos de lesã o corporal dolosa
e roubo de rua, ou seja, cada linha traz a informaçã o do nú mero de casos de
lesã o corporal dolosa e roubo de rua em um determinado mês de um
determinado ano para um determinado município.
PopulacaoEvolucaoMensalMunic.csv – contém variá veis referentes aos
municípios, có digo IBGE (cod_munic) e nome (munic). Além da populaçã o
estimada para o município no ano de 2019.
caracteristicas_municipios.csv – contém variá veis referentes aos municípios,
um dicioná rio da mesma foi disponibilizado.
Observação: Todas as manipulações da base devem ser feitas no R (não modifiquem os
nomes dos arquivos de importação). Deve ser entregue um script com os códigos e este
word com os comentários/conclusões de cada questão. Inclua o nome de todos os
integrantes do grupo no início do arquivo.
01) Ajuste um processo de Poisson nã o homogêneo para as localizaçõ es das violaçõ es na
Filadélfia. Use como variá veis explicativas as coordenadas de latitude e longitude (ou
funçõ es das mesmas) e usem as marcas. Interprete os coeficientes das marcas.
Apresente um grá fico que mostra a intensidade estimada pelo modelo.

Resposta:

Inicialmente o grupo realizou o ajuste pelo processo de Poisson nã o homogêneo.

Onde identificamos os seguintes resultados:

Fitted trend coefficients:

(Intercept) y
-1.006745e+01 -1.883610e-05

Estimate S.E. CI95.lo CI95.hi Ztest Zval

(Intercept) -1.006745e+01 2.672376e-01 -1.059122e+01 -9.543671e+00 *** -37.67227
y -1.883610e-05 1.082867e-06 -2.095848e-05 -1.671372e-05 *** -17.39466

Notamos que o intervalo de confiança nã o contém o 0, ou seja, p coeficiente associado

ao y é significativo. Com ambos os limites negativos, o Zval significativo e a estimativa
negativa os resultados nos indicam uma reduçã o de casos do sul para o norte. No que
verificaremos a seguir.

No grá fico abaixo é possível visualizar esse comportamento:

Utilizando o método Splines com um df = 4 temos uma informaçã o mais precisa dessa
informaçã o, como notamos abaixo:

Este grá fico notoriamente representa de forma mais precisa o comportamento das
variá veis estudadas. Adicionando a variá vel x, com um df = 4, ratificamos esta aná lise,
conforme o grá fico abaixo:
 No grá fico abaixo observamos o comportamento das marcas no mapa:

O grá fico acima ratifica o que tínhamos notado anteriormente, contudo promovemos
a visualizaçã o de cada marca, a fim de determinarmos as correlaçõ es entre elas, bem
como possibilitar a identificaçã o das marcas que potencializam a concentraçã o de
violaçõ es observadas no grá fico acima.

No que obtivemos como resultado:

Estimate S.E. CI95.lo CI95.hi Ztest Zval

(Intercept) -36.3567372 1.20353806 -38.7156284 -33.99784593 *** -30.2082157
marksCOLLECTIONS 9PM-7AM PROHIBITED 1.0099467 0.09092916 0.8317288 1.18816452 *** 11.1069616
marksNO PERMIT FIXTURE -0.1786918 0.11535590 -0.4047852 0.04740161 -1.5490477
marksRECPT NOT LITTR FREE 1.0615710 0.09031634 0.8845542 1.23858780 *** 11.7539192
marksUNLICNSD CSTR DUMPS 0.4392320 0.09983414 0.2435606 0.63490329 *** 4.3996168

O resultado nos mostram que a marca ABAND REFRIG (DOOR) possui correlaçã o com
todas as outras, exceto com NO PERMIT FIXTURE. Sendo, ainda, relevante mencionar
que a marca RECPT NOT LITTR FREE apresentou a maior intensidade.

Para comprovar e melhor visualizar esse comportamento analisamos graficamente o

comportamento de cada marca. Obtendo os grá ficos abaixo:
Os resultados grá ficos ratificaram as informaçõ es coletadas.
02) Ajuste modelos adequados para a proporçã o de lesã o corporal dolosa no ano de 2019
para os municípios do estado do Rio de Janeiro. Ajuste pelo menos um modelo SAR e
um modelo CAR e escolha o modelo mais adequado segundo o critério AIC. Faça uma
avaliaçã o sobre quais variá veis explicativas usar dentre as disponibilizadas. Verifique
a melhor estrutura de vizinhança espacial a ser usada na modelagem. Interprete os
coeficientes do modelo final.

Resposta:

Conforme enunciado, o grupo iniciou a aná lise:

2.1. Modelo SAR - Critério Queen e Peso W

Analisando o primeiro resultado com todas as variá veis:

Estimate Std. Error z value Pr(>|z|)

(Intercept) 1.3903e+03 6.5028e+02 2.1380 0.032516
Taxaalfaadultos 2.2102e+02 4.7581e+02 0.4645 0.642274
Rendapercapita -9.7879e-02 3.1714e-01 -0.3086 0.757605
gini 1.0948e+03 4.6892e+02 2.3346 0.019563
IVS -7.1228e+02 2.5750e+02 -2.7662 0.005672
idhm -4.9794e+03 3.2094e+03 -1.5515 0.120782
idhm_r 9.5734e+02 1.6219e+03 0.5903 0.555008
idhm_e 2.2183e+03 1.2885e+03 1.7215 0.085152

Observamos entã o que considerando um nível de significâ ncia de 5%, as variá veis
gini, IVS e idhm_e foram as ú nicas que alcançaram o nível estabelecido.

O resultado com essas três variá veis temos:

Estimate Std. Error z value Pr(>|z|)

(Intercept) 448.854 215.363 2.0842 0.03714
gini 403.617 325.213 1.2411 0.21457
IVS -587.220 239.887 -2.4479 0.01437
idhm_e -84.377 246.475 -0.3423 0.73210

Diante disso, notamos que apenas a variá vel IVS possui correlaçã o com proporçã o de
lesõ es corporais. Cegando ao seguinte resultado:

Estimate Std. Error z value Pr(>|z|)

(Intercept) 602.168 63.365 9.5031 < 2e-16
IVS -593.274 224.966 -2.6372 0.00836
Apó s essa definiçã o fizemos o Teste de Moran e obtivemos o seguinte resultado:

Moran I statistic standard deviate = 0.15885, p-value = 0.4362

alternative hypothesis: greater
sample estimates:
Moran I statistic Expectation Variance
0.0001453953 -0.0109890110 0.0048108116

Com o resultado do P Valor superior a 5% validamos nosso modelo.

O grupo realizou a aná lise dos demais modelos com a mesma variá vel IVS, obtendo os
seguintes resultados:

2.2. Modelo SAR - Critério Queen e Peso B

Estimate Std. Error z value Pr(>|z|)

(Intercept) 611.019 66.306 9.2151 < 2.2e-16
IVS -619.028 235.262 -2.6312 0.008508

Teste de Moran:

Moran I statistic standard deviate = 0.21422, p-value = 0.4152

alternative hypothesis: greater
sample estimates:
Moran I statistic Expectation Variance
0.002749067 -0.010989011 0.004112583

2.3. Modelo SAR – Critério de 3 Vizinhos e Peso W

Estimate Std. Error z value Pr(>|z|)

(Intercept) 604.440 64.379 9.3888 < 2.2e-16
IVS -600.312 228.423 -2.6281 0.008587

Teste de Moran:

Moran I statistic standard deviate = 0.14261, p-value = 0.4433

alternative hypothesis: greater
sample estimates:
Moran I statistic Expectation Variance
7.758942e-05 -1.098901e-02 6.022239e-03
2.4 – Modelo CAR

Estimate Std. Error z value Pr(>|z|)

(Intercept) 610.137 66.179 9.2195 < 2.2e-16
IVS -616.374 234.836 -2.6247 0.008672

Teste de Moran:

Moran I statistic standard deviate = -0.33096, p-value = 0.6297

alternative hypothesis: greater
sample estimates:
Moran I statistic Expectation Variance
-0.032214980 -0.010989011 0.004113226

Com todos os modelos validados, realizamos a aná lise do AIC, obtendo os seguintes
resultados:

# Modelo SAR - Critério Queen e Peso W: 1147.983

# Modelo SAR - Critério Queen e Peso B: 1147.474
# Modelo SAR - Critério 3 vizinhos e Peso W: 1147.971
# Modelo CAR: 1147.512

Sendo o modelo SAR com critério Queen e peso biná rio o melhor modelo.
03) Ajuste modelos adequados para a proporçã o de roubo de rua no ano de 2019 para os
municípios do estado do Rio de Janeiro. Ajuste pelo menos um modelo SAR e um
modelo CAR e escolha o modelo mais adequado segundo o critério AIC. Faça uma
avaliaçã o sobre quais variá veis explicativas usar dentre as disponibilizadas. Verifique
a melhor estrutura de vizinhança espacial a ser usada na modelagem. Interprete os
coeficientes do modelo final.

Resposta:

Conforme enunciado, o grupo iniciou a aná lise:

3.1. Modelo SAR - Critério Queen e Peso W

Analisando o primeiro resultado com todas as variá veis:

Estimate Std. Error z value Pr(>|z|)

(Intercept) -1.6434e+03 7.9377e+02 -2.0704 0.038417
Taxaalfaadultos 3.4730e+02 6.0921e+02 0.5701 0.568625
Rendapercapita -8.3517e-02 3.5885e-01 -0.2327 0.815967
gini -1.0344e+03 5.5888e+02 -1.8509 0.064183
IVS 1.3061e+03 4.4269e+02 2.9505 0.003173
idhm 2.8708e+03 3.2728e+03 0.8772 0.380391
idhm_r 1.6643e+02 1.8197e+03 0.0915 0.927126
idhm_e -6.4950e+02 1.4423e+03 -0.4503 0.652472

Observamos entã o que considerando um nível de significâ ncia de 5%, apenas a

variá vel IVS alcançou o nível estabelecido.

O resultado com essa ú nica variá vel temos:

Estimate Std. Error z value Pr(>|z|)

(Intercept) 109.52 166.01 0.6597 0.5095
IVS 319.15 309.82 1.0301 0.3030

Apó s isso realizamos o teste de Moran:

Moran I statistic standard deviate = 0.017809, p-value = 0.4929

alternative hypothesis: greater
sample estimates:
Moran I statistic Expectation Variance
-0.009775676 -0.010989011 0.004641574
3.2. Modelo SAR – Critério Queen e Peso B

Estimate Std. Error z value Pr(>|z|)

(Intercept) 49.577 106.879 0.4639 0.6427
IVS 537.636 370.092 1.4527 0.1463

Teste de Moran:

Moran I statistic standard deviate = 1.2086, p-value = 0.1134

alternative hypothesis: greater
sample estimates:
Moran I statistic Expectation Variance
0.064820773 -0.010989011 0.003934744

3.3. Modelo SAR – Critério de 3 vizinhos e Peso W

Estimate Std. Error z value Pr(>|z|)

(Intercept) 228.98 121.86 1.8789 0.06025
IVS -167.03 316.79 -0.5272 0.59802

Teste de Moran:

Moran I statistic standard deviate = -1.2701, p-value = 0.898

alternative hypothesis: greater
sample estimates:
Moran I statistic Expectation Variance
-0.107615708 -0.010989011 0.005787667

3.4. Modelo CAR

Estimate Std. Error z value Pr(>|z|)

(Intercept) -4.2307 120.3374 -0.0352 0.9720
IVS 821.7505 425.7606 1.9301 0.0536

Teste de Moran:

Moran I statistic standard deviate = 0.10825, p-value = 0.4569

alternative hypothesis: greater
sample estimates:
Moran I statistic Expectation Variance
-0.004165165 -0.010989011 0.003974134
Com todos os modelos validados, realizamos a aná lise do AIC, obtendo os seguintes
resultados:

# Modelo SAR - Critério Queen e Peso W: 1197.546

# Modelo SAR - Critério Queen e Peso B: 1226.342
# Modelo SAR - Critério 3 vizinhos e Peso W: 1204.059
# Modelo CAR: 1242.982

Sendo o modelo SAR com critério Queen e peso W o melhor modelo.