Título: Random Machines: a new bagged-weighted support vector model
Palestrante :Anderson Luiz Ara Souza (UFBA)
Data: 25/08/2021
Horário: 15:30h
Local: Transmissão online
Confira AQUI o link para a transmissão.
Resumo: Improvement of statistical learning models to increase efficiency in solving classification or regression problems is a goal pursued by the scientific community. Particularly, the support vector machine model has become one of the most successful algorithms for this task. Despite the strong predictive capacity from the support vector approach, its performance relies on the selection of hyperparameters of the model, such as the kernel function that will be used. The traditional procedures to decide which kernel function will be used are computationally expensive. In this presentation, we proposed a novel framework to deal with the kernel function selection called Random Machines. The results display an improvement in the predictive capacity as well as reduced computational time.
A sala será aberta sempre 10 minutos antes do início de cada sessão.
Acesse AQUI para mais informações.
Título: Pesquisa Continuar Cuidando PB – Levantamento por amostragem domiciliar com testagem para COVID-19
Palestrante: Pedro Luis do Nascimento Silva (ENCE-IBGE)
Data: 04/08/2021
Horário: 15:30h
Local: Transmissão online
Confira AQUI o link para a transmissão.
Resumo: Numa parceria entre o Observatório de Síndromes Respiratórias da UFPB e o Governo do Estado da Paraíba, foi realizado entre 3 de novembro e 22 de dezembro de 2020 o levantamento epidemiológico “Continuar Cuidando PB”, pesquisa por amostragem de domicílios, que coletou dados sociodemográficos e sobre sintomas, além de aplicar testes rápidos e do tipo RT-PCR para diagnóstico de COVID-19. A amostra total de 394 setores censitários foi estratificada em quatro macrorregiões do estado, e subdividida de forma balanceada nesses estratos para coleta ao longo de 8 semanas. Em cada setor censitário selecionado, foi aplicado um protocolo de coleta simplificado utilizando arrolamento dos domicílios e amostragem inversa com sorteio via amostragem de Bernoulli, com regra de parada definida em função do número de moradores testados com teste RT-PCR nos domicílios selecionados maior ou igual a 25. Esse protocolo permitiu a realização tempestiva da coleta, a liberação de resultados parciais a cada 2 semanas, e total sincronia entre os dados obtidos nos questionários e nos testes para COVID-19 realizados. Com a conclusão da pesquisa em fins de dezembro de 2020, a administração da saúde pública na Paraíba teve acesso a indicadores que permitiram tomar melhores decisões sobre políticas públicas relativas à gestão da pandemia e informar à sociedade sobre a evolução da doença naquele estado. A coleta de dados foi realizada pela SCIENCE em parceria com equipes das secretarias municipais e estadual de saúde, que ficaram responsáveis pela aplicação dos testes rápidos e RT-PCR, pela devolução de resultados aos participantes testados, e pela oferta de serviços de cuidado a todos que testaram positivo para a doença. Todos os cuidados sanitários foram tomados para proteção da equipe de entrevistadores e profissionais de saúde envolvidos na coleta, bem como dos moradores dos domicílios selecionados que participaram da pesquisa.
A palestra ocorrerá remotamente, via plataforma Zoom e com transmissão ao vivo pelo canal do YouTube Ciclo de Palestras Estatística UFRJ.
A sala será aberta sempre 10 minutos antes do início de cada sessão. Acesse AQUI para mais informações. .
Título: Mixed Effects State-Space Models for Longitudinal Data with Heavy Tails
Data: 21/07/2021
Horário: 15:30h
Local: Transmissão online
Clique AQUI para acessar a transmissão.
Resumo: The mixed-effects state space models (MESSM) can be considered as an alternative to study the HIV dynamic in a longitudinal data environment, defining the mixed-effects component into state-space models setup. As in Liu et al., 2011, we consider a hierarchical structure to capture possible differences between the immune systems for different patients. We extend MESSM, allowing observational errors to follow a more flexible distribution to take account for heavy tails. Our proposal consists in defining the error distribution of the observations using the hierarchical structure of the scale mixture of normal distributions. Moreover, the mixing parameters obtained as a by-product of the scale mixture representation can be used to identify outliers. Under the Bayesian paradigm, an efficient Markov Chain Monte Carlo (MCMC) algorithm is implemented. To evaluate the properties of the proposed models, we carried out simulation studies. Finally, we illustrate our approach with an application in real HIV longitudinal data.
A palestra ocorrerá remotamente, via plataforma Zoom e com transmissão ao vivo pelo canal do YouTube Ciclo de Palestras Estatística UFRJ.
A sala será aberta sempre 10 minutos antes do início de cada sessão. Mais informações AQUI.
Título: Space-time calibration of wind speed forecasts from regional climate models
Palestrante: Luiz Eduardo da Silva Gomes
Data: 28/07/2021
Horário: 15:30h
Local: Transmissão online
Clique AQUI para acessar a transmissão.
Resumo: Numerical weather predictions (NWPs) are systematically subject to errors due to the deterministic solutions used by numerical models to simulate the atmosphere. Statistical postprocessing techniques are widely used nowadays for NWP calibration. However, time-varying bias is usually not accommodated by such models. The calibration performance is also sensitive to the temporal window used for training. This paper proposes space-time models that extend the main statistical postprocessing approaches to calibrate NWP model outputs. Trans-Gaussian random fields are considered to account for meteorological variables with asymmetric behavior. Data augmentation is used to account for censoring of the response variable. The benefits of the proposed extensions are illustrated through the calibration of hourly 10-meter height wind speed forecasts in Southeastern Brazil coming from the Eta model.
A palestra ocorrerá remotamente, via plataforma Zoom e com transmissão ao vivo pelo canal do YouTube Ciclo de Palestras Estatística UFRJ.
A sala será aberta sempre 10 minutos antes do início de cada sessão. Mais informações AQUI.
Título: Approximate Bayesian Estimation of Stochastic Volatility in Mean Models using Hidden Markov Models: Empirical Evidence from Stock Latin American Markets
Palestrante: Carlos Antonio Abanto-Valle (DME-UFRJ)
Data: 30/06/2021
Horário: 15:30h
Local: Transmissão online
Resumo: The stochastic volatility in mean (SVM) model proposed by Koopman and Uspensky (2002) is revisited. We offer to approximate the likelihood function of the SVM model applying Hidden Markov Models (HMM) machinery to make possible Bayesian inference in real-time. We sample from the posterior distribution of parameters with a multivariate normal distribution with mean and variance given by the posterior mode and the inverse of the Hessian matrix evaluated at this posterior mode using importance sampling (IS). We conduct a simulation study to verify the frequentist properties of estimators. An empirical analysis of five Latin American indexes to see the impact of the volatility in the mean of the returns is performed. The results indicate that volatility negatively impacts returns, suggesting that the volatility feedback effect is stronger than the effect related to the expected volatility. This result is exact and opposite to the finding of Koopman and Uspensky (2002). We compare our methodology with the Hamiltonian Monte Carlo (HMC) and Riemannian HMC methods based on Abanto-Valle et al. (2021).
A palestra ocorrerá remotamente, via plataforma Zoom e com transmissão ao vivo pelo canal do YouTube Ciclo de Palestras Estatística UFRJ. Clique AQUI para acessar a transmissão.
A sala será aberta sempre 10 minutos antes do início de cada sessão. Maiores informações AQUI.
Para ver palestras anteriores, se inscreva no nosso canal Ciclo de Palestras Estatística UFRJ.
