Dealing with Missing Data for Spatiotemporal Models

Resumo

Consideramos duas classes de modelos para dados espaço-temporais: uma sem covariáveis e outra com covariáveis. Se T é uma partição do tempo, I é uma partição da área estudada em zonas, e C é o conjunto de tipos de chegada, assumimos que o processo de chegadas para o intervalo de tempo t ∈ T , zona i ∈ I, e tipo de chegada c ∈ C segue uma distribuição de Poisson com uma intensidade λc,i,t. Foram discutidas a calibração e implementação desses modelos em Guigues et al. [2023b,a], com o respectivo software LASPATED (Library for the Analysis of SPAtioTEmporal Discrete data), disponível no GitHub em https://github.com/vguigues/LASPATED. Neste artigo, discutimos a extensão desses modelos para o caso em que algumas localizações estão ausentes nos dados históricos. Propomos quatro modelos para lidar com localizações ausentes e os implementamos tanto em Matlab quanto em C++. O código correspondente está disponível no GitHub como uma extensão do LASPATED em https://github.com/vguigues/LASPATED/Missing_Data. Testamos nossa implementação utilizando o processo de chamadas de emergência para um Serviço de Saúde de Urgência, onde muitas chamadas possuem localizações ausentes. Demonstramos a importância e os benefícios de utilizar modelos que consideram localizações ausentes, em vez de descartar as chamadas com localizações ausentes, para a calibração de modelos estatísticos para esse tipo de dado.

Ficha do documento

Tipo

Dissertação

Ano

2024

Instituição

Fundação Getulio Vargas

Fonte

Repositório da FGV

Idioma

Inglês

Acesso

Acesso aberto

Identificador

oai:repositorio.fgv.br:10438/36562

Temas

DadosSaúde

Palavras-chave

Spatiotemporal dataMissing dataPenalized likelihood estimatorRegressionMatemáticaEstatística matemáticaFunções harmônicasProbabilidadesAssistência em emergências