Contribuições na modelagem de séries temporais com aplicações a dados de contagem e extensões espaço-temporais
Dengue, GAMLSS, GARMA, Regressão Distribucional.
A modelagem de séries temporais constitui uma ferramenta fundamental para a compreensão de fenômenos dinâmicos observados ao longo do tempo, especialmente quando os dados apresentam natureza discreta, assimetria e variabilidade excessiva, como ocorre em dados de contagem. Apesar da ampla utilização de modelos clássicos baseados na distribuição Gaussiana, tais abordagens frequentemente se mostram inadequadas para descrever plenamente a estrutura estocástica desses dados, motivando o uso de modelos mais flexíveis. Nesse contexto, esta tese tem como objetivo investigar e modelar séries temporais de dados de contagem por meio de regressão distribucional, uma abordagem que permite modelar não apenas a média, mas também outros parâmetros da distribuição da variável resposta, incorporando dependência temporal e espacial, junto aos efeitos de covariáveis de forma mais abrangente. Como parte inicial do desenvolvimento desta pesquisa, foi realizado um estudo aplicado à contagem de casos de dengue na Região de Saúde de Lavras, Minas Gerais, utilizando modelos autorregressivos e de médias móveis generalizados (GARMA). Nesse estudo, destacou-se como principal inovação a incorporação de interações entre variáveis climáticas, uma abordagem que, no levantamento da literatura realizado, não se mostrou recorrente, uma vez que os estudos existentes tradicionalmente analisam esses fatores de forma isolada. Os resultados evidenciaram que a consideração conjunta dos fatores climáticos permite uma compreensão mais aprofundada da dinâmica temporal da doença e melhora a capacidade explicativa dos modelos. Nas etapas subsequentes, a presente tese propõe a ampliação dessa estrutura metodológica por meio da regressão distribucional, em especial, aplicada a séries temporais de contagem, explorando distribuições mais flexíveis, incluindo uma etapa de calibração dos resíduos para correção de autocorrelação da série e estabelecendo bases metodológicas para futuras extensões em modelos espaço-temporais. Espera-se que os resultados obtidos contribuam para o avanço do conhecimento em modelagem estatística de dados discretos, oferecendo subsídios teóricos e aplicados para a análise, previsão e apoio à tomada de decisão em áreas como epidemiologia, meio ambiente e saúde pública.