Utilize este link para identificar ou citar este item: http://bdm.unb.br/handle/10483/4126
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2012_CaioVieiraRego_MarinaGarciaPena.pdf938,65 kBAdobe PDFver/abrir
Título: Análise dos modelos de regressão espacial SAR, SEM e SAC
Autor(es): Rêgo, Caio Vieira
Pena, Marina Garcia
Orientador(es): Silva, Alan Ricardo da
Coorientador(es): Albuquerque, Pedro Henrique Melo
Assunto: Análise espacial (Estatística)
Correlação (Estatística)
Data de apresentação: 19-Set-2012
Data de publicação: 28-Nov-2012
Referência: REGÔ, Caio Vieira; PENA, Marina Garcia. Análise dos modelos de regressão espacial SAR, SEM e SAC. 2012. 76 f., il. Monografia (Bacharelado em Estatística)—Universidade de Brasília, Brasília, 2012.
Resumo: A utilização de técnicas de estatística espacial é algo recorrente em pesquisas modernas. Uma parte importante dessa área é a regressão espacial. Três modelos amplamente disseminados são o Spatial Autoregressive Model - SAR, o Spatial Error Model - SEM e o General Spatial Model - SAC. Nesses modelos ha coeficientes que representam a dependência espacial ou seja, neles, as informações dos \vizinhos" é utilizada para prever ou \explicar" o que está sendo estudado. A distinção e escolha entre os modelos SAR e SEM não é simples, devido ao fato de eles possuírem uma formulação parecida. Nota-se que ao se desenvolver a estrutura do SEM, se torna um caso particular do SAR, diferindo, entretanto, na interpretação final do resultado. Foi verificado, por meio de análise empirica, que o modelo SAR, em geral, se ajusta melhor e resulta em R2 mais altos que o SEM. Como esperado, dados com baixa ou nenhuma dependência espacial não geram modelos SAR e SEM com coeficientes significativos. O modelo SAC foi aplicado a diferentes bancos de dados, o resultado obtido indica que esse modelo é significativo e tem bom ajuste apenas em modelos com alta dependência espacial. A matriz de proximidade binária gerou melhores resultados nos bancos em que o modelo SAC foi aplicado, sua estrutura, mais simples, não gerou coeficientes maiores que j1j em nenhum caso. A matriz de distâncias, nos dados com dependência espacial elevada, exige medida corretiva. Menores distâncias de corte geram índices de dependência espacial mais altos e maiores R2 porem inuem negativamente nas variáveis não espaciais do modelo. é importante se atentar aos valores do intercepto em cada configuração do modelo. Em alguns casos em que foram utilizadas matrizes iguais observou-se inversões de sinal no intercepto - tomando-se como base a regressão clássica -, problema que é recorrente nos casos de multicolinearidade. Essa inversão pode ser causada por se utilizar a mesma estrutura para se \retirar" a dependência da variável respostas e do erro. Se a matriz W1 não foi capaz de esgotar a dependência espacial do modelo é recomendado o uso de uma matriz W2 diferente para sanar essa dependência. Possíveis medidas corretivas em alguma matriz podem limitar o modelo: distâncias de corte muito curtas são inuentes nos p-valores do teste de significância dos parâmetros do modelo, que devem ser analisados com cuidado redobrado em situações como essa.
Informações adicionais: Monografia (graduação)—Universidade de Brasília, Instituto de Exatas, Departamento de Estatística, 2012.
Aparece na Coleção:Estatística



Este item está licenciado na Licença Creative Commons Creative Commons