Condition-number-based criterion
critério para seleção da matriz de correlação de trabalho
DOI:
https://doi.org/10.5540/03.2025.011.01.0368Keywords:
Equações de Estimação Generalizadas, Condicionamento, Variância-CovariânciaAbstract
O método das Equações de Estimação Generalizada proporciona ótimos resultados para estimativas em modelo regressão. No entanto, o desafio na aplicação deste método está em uma boa especificação para matriz de correlação de trabalho. Particularmente, em análise de dados espaciais, a matriz de correlação espacial. Nesta conjuntura, a escolha de uma matriz de correlação espacial adequada é imprescindível, pois uma matriz inadequada poderá gerar estimativas pouco confiáveis haja vista o aumento do viés de estimação. Diante disso, neste estudo foi proposto um novo método de seleção da matriz de correlação de trabalho, baseado no condicionamento da matriz de variância-covariância naive. A avaliação da performance do método foi realizada por um estudo de simulações, utilizando as distribuições marginais da Normal, Poisson e Gama para dados espacialmente correlacionados.
Downloads
References
L. Y. Hin, V. J. Carey e Y. G. Wang. “Criteria for working–correlation–structure selection in GEE: Assessment via simulation”. Em: The American Statistician 61.4 (2007), pp. 360–364.
L. Y. Hin e Y. G. Wang. “Working-correlation-structure identification in generalized estimating equations”. Em: Statistics in medicine 28.4 (2009), pp. 642–658.
K. Y. Liang e S. L. Zeger. “Longitudinal data analysis using generalized linear models”. Em: Biometrika 73.1 (1986), pp. 13–22.
D. T. Nava et al. “Local Influence for Spatially Correlated Binomial Data: An Application to the Spodoptera frugiperda Infestation in Corn”. Em: Journal of Agricultural, Biological and Environmental Statistics 22.4 (2017), pp. 540–561.
W. Pan. “Akaike’s information criterion in generalized estimating equations”. Em: Biometrics 57.1 (2001), pp. 120–125.
A. S. Paul e L. M. McShane. “A generalized estimating equations approach for spatially correlated binary data: applications to the analysis of neuroimaging data”. Em: Biometrics (1995), pp. 627–638.
R. L. Prentice. “Correlated binary regression with covariates specific to each binary observation”. Em: Biometrics (1988), pp. 1033–1048.
A. Rotnitzky e N. P. Jewell. “Hypothesis testing of regression parameters in semiparametric generalized linear models for cluster correlated data”. Em: Biometrika 77.3 (1990), pp. 485–497.
M. Santos et al. “Selection criterion of working correlation structure for spatially correlated data”. Em: The American Statistician 77.3 (2023), pp. 283–291.
M. K. Venezuela, D. B. Aparecida e M. C. Sandoval. “Diagnostic techniques in generalized estimating equations”. Em: Journal of Statistical Computation and Simulation 77.10 (2007), pp. 879–888.
M. K. Venezuela, M. C. Sandoval e D. A. Botter. “Local influence in estimating equations”. Em: Computational statistics & data analysis 55.4 (2011), pp. 1867–1883.
