Escolar Documentos
Profissional Documentos
Cultura Documentos
Aula Taxas Bayes Full
Aula Taxas Bayes Full
Taxa bruta :
y
y
p i
Var pi 2 i
i
e i e i
Suavizar as taxas
Como ?
Estimadores Bayesianos
• Empíricos
• Completos
Uma Breve Introdução à
Inferência Bayesiana
Probabilidade Condicional
Teorema de Bayes
Verossimilhança
Probabilidade a priori
Probabilidade a posteriori
Um exemplo : medidas de qualidade de
testes diagnósticos
Positivo (+|D)
Positivo (+|S)
Sadio (S)
Negativo (-|S)
Avaliação da qualidade do teste
Acertos :
P( D)
• Entre os doentes P( | D)
P( D)
Sensibilidade (s)
P( S )
• Entre os sadios P ( | S )
P( S )
Especificidade (e)
Avaliação da qualidade do teste
Resultado do Padrão-ouro
teste Doente Não Doente Total
Acertos :
P(D )
• Entre os positivos
P(D| )
P( )
Valor de Predição Positiva (VPP)
P(S )
P(S | )
• Entre os negativos P( )
Valor de Predição Negativa (VPN)
Avaliação da qualidade do diagnóstico
P(D) P( |D)
P(D| )
P(D) P( |D) P(S) P( | S)
Regra de Bayes
Enfim ...
Probabilidade a priori
“Verossimilhança”
P(S) P(- | S)
P(S | -)
P(S) P(- | S) P(D) P(- |D)
Probabilidade a posteriori
Conceitos Básicos e Notação
Dados : provenientes de uma amostra da população
de interesse
y = (y1, y2, ..., yn)
P(y), distribuição de probabilidade conjunta de y.
e y e e
P(y | )
y!
Exemplo : modelo Gamma-Poisson
Modelo para P() : ~ Gamma (,)
hiperparâmetros
Cálculo da posteriori P(|y)
priori hiperprioris
Exemplo: Mersey
Modelo espacial bayesiano para
taxas em pequenas áreas
Modelo espacialmente estruturado (abordagem completa)
yi ∼ Poisson(µi) = Poisson(eiρi)
j i wij j
2
i | j i ~ N
,
j i wij j i wij
A priori para νi é um modelo autoregressivo
condicional Gaussiano (CAR)
wij são pesos representando a adjacência das
áreas. A definição mais comum para wij são
valores binários :
wij = 1, se as áreas i e j são adjacentes;
wij = 0, caso contrário.
Modelo espacial bayesiano para
taxas em pequenas áreas
Modelo completo
yi ∼ Poisson(µi) = Poisson(eiρi)
log µi = log ei + α + i + i
α ~ Uniforme [- ; ]
i ~ Normal (0 ; 2)
νi ~ CAR(2)
Hiperprioris Gamma para τ = 1/ 2 e para
τ = 1/2 (τ e τ representam a precisão)
Modelo:
No. de parâmetros :
365
Tempo de
simulação de
10000 iterações:
112 segundos
AMD Athlon XP2000 1.67 GHz 512 Mb RAM
Modelo espacial bayesiano para
taxas em pequenas áreas
Modelo espaço-temporal (alternativo)
yi ∼ Poisson(µi) = Poisson(eiρi)
log µi = log ei + θi ; θi = log ρi
θi = α0 + αi + i (t-1), onde
• α0 ~ Uniforme [- ; ]
Modelo linear
No. de parâmetros :
243
Tempo de simulação
de 10000 iterações:
51 segundos
Modelo espacial bayesiano para
taxas em pequenas áreas
Modelo espaço-temporal (alternativo)
yi ∼ Poisson(µi) = Poisson(eiρi)
log µi = log ei + θi ; θi = log ρi
• i ~ CAR(2) ;
Modelo quadrático
No. de parâmetros :
364
Tempo de simulação
de 10000 iterações:
69 segundos
Referências Bibliográficas
Assunção, R. M. ; Reis, I. A. ; Oliveira, C. L. Diffusion and
Prediction of Leishmaniasis in a Large Metropolitan Area in
Brasil with a Space-Time Model. Statistics in Medicine (2001),
20 : pp. 2319- 2335
ˆ i 1 ei
Então y ei ˆ e s ˆ i ei ˆ ˆ 2
2
i i i
Bayes Empírico
O que nos leva a
ˆ y s 2
ˆ
2
ˆ i i
(1) e ˆ i ˆ i
(2)
ei ei i ei
Igualando (1) e (2), temos
2
ˆ ei y (1) e ˆ y (2)
i 2 i 2
s y s y
ˆ i y ˆ i s 2 y
E i ˆ e Var i ˆ 2
i ei i ei 2
Padronização direta das taxas
r é taxa de referência da “doença”;
Popi é a população sob risco da área i ;
ei = r x Popi , é o número esperado de casos na
área i ;
2
1 1 yi
f ( yi ) exp
2 2
n 1 n y 2
1 , y = (y1, y2, ..., yn)
P ( y | , ) exp i
2 2 i 1 y1, y2, ..., yn i.i.d
Distribuição Beta
( ) 1 1
f ( x) x (1 x) , 0 x 1
( )( )
0 ; 0
Distribuição Gamma (, )
1 x
f( x) x e , 0 x
( )
0 e 0