Dealing with Missing Data for Spatiotemporal Models

• Ano de defesa: 2024
• Autor(a) principal: Andrade, Lucas Rafael de
• Orientador(a): Guigues, Vincent Gérard Yannick
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Palavras-chave em Português: Spatiotemporal data; Missing data; Penalized likelihood estimator; Regression
• Link de acesso: https://hdl.handle.net/10438/36562

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.