Por onde começar em cada área

Seis apresentações breves, com perguntas introdutórias e poucas leituras essenciais para cada área.

Como usar estes guias. Escolha um percurso e siga as leituras indicadas. O objetivo é orientar os primeiros estudos, não substituir uma revisão bibliográfica.

Séries temporais e estatística espacial

01 / 06 · Biblioteca de pesquisa

Séries temporais e estatística espacial

Cerca de 3 min de leitura

O que muda na dependência quando as observações são indexadas no tempo, no espaço ou em ambos?

Séries temporais e estatística espacial compartilham ferramentas probabilísticas para estudar a dependência, mas ordenação temporal, vizinhanças espaciais e indexação espaço-temporal exigem hipóteses de modelagem diferentes. Os três percursos breves a seguir apresentam essas conexões.

Conhecimentos prévios: Probabilidade, regressão e estatística matemática introdutória; álgebra linear para covariância e modelos condicionais.

Fundamentos compartilhados

Comece por variáveis e campos aleatórios, estacionariedade, covariância, distribuições condicionais e inferência sob dependência. As ideias são comuns, mas as hipóteses de existência, ordenação e assintótica não são intercambiáveis.

Três caminhos para explorar

Séries temporais

ARMA, dependência temporal, inovações, previsão e diagnóstico, incluindo extensões não gaussianas. O tempo fornece uma ordenação cronológica natural.

Estatística espacial e espaço-temporal

Campos aleatórios, geoestatística, covariância e krigagem, modelos espaço-temporais e hierarquias bayesianas. Malhas, dados georreferenciados e localizações de eventos têm estruturas amostrais distintas.

A ponte ARMA: do tempo às malhas bidimensionais

Minha pesquisa metodológica conecta regressão condicional e dependência ARMA espacial bidimensional. Passar da recursão temporal às vizinhanças espaciais exige ordenação explícita, leis condicionais compatíveis e inferência específica do modelo.

Seis referências para começar

  1. Introduction to Time Series and Forecasting, 3rd ed. ↗

    Peter J. Brockwell; Richard A. Davis · 2016

    Entrada acessível para dependência temporal, ARMA e previsão.

  2. Statistics for Spatial Data ↗

    Noel A. C. Cressie · 1993

    Base comum para geoestatística, modelos em malhas e predição espacial.

  3. Spatial Interaction and the Statistical Analysis of Lattice Systems ↗

    Julian Besag · 1974

    Fonte original sobre interação em malhas e compatibilidade de modelos condicionais.

  4. Statistical Spatial Series Modelling ↗

    Dag Tjøstheim · 1978

    Ponte especializada para séries espaciais unilaterais e estruturas ARMA multidimensionais.

  5. Model-based Geostatistics ↗

    Peter J. Diggle; Paulo J. Ribeiro Jr. · 2007

    Inferência e predição espaciais baseadas em modelos para dados geoestatísticos.

  6. Gaussian Markov Random Fields: Theory and Applications ↗

    Håvard Rue; Leonhard Held · 2005

    Independência condicional, precisão esparsa e entrada para modelagem espacial bayesiana.

↑ Voltar ao início do guia
02 / 06 · Biblioteca de pesquisa

Inferência estatística e teoria assintótica

Cerca de 3 min de leitura

Como hipóteses de modelagem, medidas de informação e teoria assintótica fundamentam a estimação e os testes de hipóteses?

Inferência clássica e bayesiana respondem a questões relacionadas, mas distintas, sobre evidência e incerteza. Divergências podem construir estimadores e testes em diferentes paradigmas inferenciais; são ferramentas matemáticas, não uma terceira escola de inferência.

Conhecimentos prévios: Probabilidade, verossimilhança, estatística matemática e cálculo; análise real para assintótica avançada.

Fundamentos compartilhados

Identificabilidade, regularidade, informação e incerteza são preocupações comuns. Consistência, leis-limite, robustez e calibração de testes devem ser estabelecidas para o modelo e regime amostral especificados; observações dependentes podem exigir outra assintótica.

Três percursos introdutórios

Inferência estatística clássica

Estimação pontual, verossimilhança e equações de estimação; intervalos de confiança e testes da razão de verossimilhanças, Wald e escore. Estude suas hipóteses, eficiência e validade finito-amostral ou assintótica.

Inferência estatística bayesiana

Prior, verossimilhança e posterior; estimação, regiões de credibilidade, avaliação preditiva posterior e comparação de modelos. Fatores de Bayes exigem especificações a priori adequadas, com cuidado especial para priors impróprias.

Informação estatística e inferência por divergências

Informação de Fisher, Kullback–Leibler, φ-divergências e divergência de potência de densidade podem fundamentar estimação e testes. Robustez e distribuições sob a hipótese nula dependem do método e do modelo; testes por distância geodésica constituem uma ponte geométrica relacionada.

Sete leituras selecionadas

  1. Theory of Point Estimation, 2nd ed. ↗

    E. L. Lehmann; George Casella · 1998

    Base rigorosa para estimação, otimalidade e critérios de decisão.

  2. Testing Statistical Hypotheses, 3rd ed. ↗

    E. L. Lehmann; Joseph P. Romano · 2005

    Desenvolve construção de testes, otimalidade e testes de grandes amostras.

  3. Bayesian Data Analysis, 3rd ed. ↗

    Andrew Gelman; John B. Carlin; Hal S. Stern; David B. Dunson; Aki Vehtari; Donald B. Rubin · 2013

    Introdução baseada em modelos à inferência posterior, computação e avaliação preditiva.

  4. Bayesian Theory ↗

    José M. Bernardo; Adrian F. M. Smith · 1994

    Percurso matemático por teoria da decisão bayesiana, especificação de priors e informação.

  5. Statistical Inference Based on Divergence Measures ↗

    Leandro Pardo · 2006

    Desenvolve estimação e testes de hipóteses por divergências, especialmente φ-divergências.

  6. Robust and efficient estimation by minimising a density power divergence ↗

    Ayanendranath Basu; Ian R. Harris; Nils L. Hjort; M. C. Jones · 1998

    Fonte original de estimação robusta com compromisso ajustável entre eficiência e robustez.

  7. Asymptotic Statistics ↗

    A. W. van der Vaart · 1998

    A ponte matemática para estimação M, eficiência e processos empíricos.

↑ Voltar ao início do guia
03 / 06 · Biblioteca de pesquisa

Processamento Estatístico de Imagens

Cerca de 3 min de leitura

Como a física de aquisição, a dependência espacial e a incerteza orientam métodos estatísticos para imagens de radar, ópticas e médicas?

O processamento estatístico de imagens conecta modelos observacionais à estimação, restauração, segmentação e inferência a partir de imagens. O guia oferece três percursos de aplicação com fundamentos matemáticos comuns; experiência em SAR/PolSAR não implica atuação já consolidada em imagens ópticas ou médicas.

Conhecimentos prévios: Probabilidade, inferência estatística, regressão, álgebra linear e formação básica de imagens; estude o processo de aquisição e o modelo de ruído de cada modalidade.

Fundamentos compartilhados

Comece pela formação da imagem, ruído e dependência espacial; depois estude problemas inversos, filtragem estatística, segmentação, classificação, incerteza e validação reprodutível. Speckle em radar coerente, efeitos radiométricos em imagens ópticas e ruídos específicos de imagens médicas não são intercambiáveis. Avalie imagens e previsões na escala espacial, de campo, paciente ou aquisição apropriada.

Três vertentes de aplicação

Atuação de pesquisa consolidada

Imagens de radar e SAR/PolSAR

Modele retroespalhamento coerente, speckle, covariância polarimétrica e dependência espacial. Conecte estimação estatística e classificação a culturas agrícolas, vegetação e monitoramento ambiental.

Frente de pesquisa em desenvolvimento

Sensoriamento remoto óptico e imagens ambientais

Estude observações multiespectrais e hiperespectrais, correção radiométrica, cobertura da terra, vegetação e mudanças ambientais. Sensores ópticos passivos diferem de radar, enquanto LiDAR utiliza medição ativa por laser; a fusão SAR–óptico exige registro e avaliação explícita da incerteza.

Interesse de pesquisa emergente

Análise de imagens médicas e biomédicas

Explore segmentação estatística e incerteza em RM, TC, patologia digital e imagens de lesões ou tumores. Considere artefatos de cada modalidade, rótulos especializados, validação por paciente e mudanças de domínio clínico; trata-se de interesse metodológico, não de alegação de experiência clínica.

Sete leituras selecionadas

  1. Computer Vision: Algorithms and Applications, 2nd ed. ↗

    Richard Szeliski · 2022

    Fundamentação transversal para formação de imagens, estimação, restauração, registro e reconhecimento.

  2. Understanding Synthetic Aperture Radar Images ↗

    Chris Oliver; Shaun Quegan · 2004

    Introdução prática e estatística à formação SAR, ruído e análise de imagens.

  3. Polarimetric Radar Imaging: From Basics to Applications ↗

    Jong-Sen Lee; Eric Pottier · 2009

    Desenvolve a representação polarimétrica e técnicas de processamento pertinentes.

  4. Remote Sensing Digital Image Analysis, 6th ed. ↗

    John A. Richards · 2022

    Introduz aquisição de imagens ópticas de sensoriamento remoto, características espectrais e classificação estatística.

  5. Change detection using landsat time series: A review of frequencies, preprocessing, algorithms, and applications ↗

    Zhe Zhu · 2017

    Revisa pré-processamento radiométrico e abordagens de detecção de mudanças ambientais em séries ópticas Landsat.

  6. Current methods in medical image segmentation ↗

    Dzung L. Pham; Chenyang Xu; Jerry L. Prince · 2000

    Revisão fundamental de métodos de segmentação e suas hipóteses em imagens médicas.

  7. A survey on deep learning in medical image analysis ↗

    Geert Litjens et al. · 2017

    Revisa classificação, detecção, segmentação e validação baseadas em aprendizado em aplicações de imagens médicas.

↑ Voltar ao início do guia
04 / 06 · Biblioteca de pesquisa

Modelos de Regressão e Equações de Estimação

Cerca de 4 min de leitura

Quando a regressão deve modelar a média marginal, efeitos aleatórios condicionais ou vários parâmetros da distribuição da resposta?

Regressão é mais ampla que equações de estimação generalizadas. GEE focaliza modelos de média marginal para respostas agrupadas ou repetidas; modelos mistos e hierárquicos representam efeitos latentes explicitamente; GAM e GAMLSS permitem funções de regressão flexíveis ou parâmetros distribucionais dependentes de covariáveis. As abordagens podem se conectar, mas seus estimandos e suas hipóteses diferem.

Conhecimentos prévios: Modelos lineares, GLMs, probabilidade, verossimilhança e inferência introdutória; cálculo matricial e distribuições condicionais para aprofundamento.

Fundamentos compartilhados

Defina unidade observacional, suporte da resposta, covariáveis, ligação e estimando antes de escolher o estimador. Diferencie dependência dentro dos grupos de independência entre grupos, coeficientes marginais de condicionais e incerteza baseada no modelo da robusta. Correlação de trabalho não corrige modelo de média incorreto; a inferência sanduíche usual de GEE pode ser pouco confiável com poucos grupos independentes.

Três vertentes de pesquisa

Modelos lineares generalizados e GEE

Comece por funções de ligação e variância dos GLMs; depois estude regressão marginal para dados repetidos ou agrupados, correlação de trabalho, equações de estimação e incerteza sanduíche. GEE usualmente não especifica toda a lei conjunta; importam o estimando e o número de grupos independentes.

Regressão com efeitos mistos e modelos hierárquicos

GLMMs e modelos hierárquicos especificam variação por efeitos aleatórios ou latentes; a estimação pode ser por verossimilhança ou bayesiana. A obra de Paula Moraga oferece exemplo espacial bayesiano com construções INLA/SPDE apropriadas, não um método GEE.

Regressão flexível e distribucional

GAMs introduzem efeitos suaves de covariáveis, enquanto GAMLSS pode modelar localização, escala e forma de respostas não gaussianas. A vertente conecta-se a medições positivas SAR e respostas ambientais ou biomédicas; dependência espacial exige extensão explícita e validada.

Oito leituras selecionadas

  1. Generalized Linear Models, 2nd ed. ↗

    P. McCullagh; J. A. Nelder · 1989

    Referência central do arcabouço de modelos lineares generalizados.

  2. Longitudinal data analysis using generalized linear models ↗

    Kung-Yee Liang; Scott L. Zeger · 1986

    Introduz equações de estimação generalizadas para respostas correlacionadas.

  3. Generalized Estimating Equations, 2nd ed. ↗

    James W. Hardin; Joseph M. Hilbe · 2013

    Livro dedicado à GEE com correlações de trabalho, comparações práticas, diagnóstico e exemplos em R.

  4. Models for longitudinal data: a generalized estimating equation approach ↗

    Scott L. Zeger; Kung-Yee Liang; Paul S. Albert · 1988

    Compara modelagem populacional marginal e específica do indivíduo para respostas longitudinais; seus coeficientes não precisam coincidir.

  5. Approximate Inference in Generalized Linear Mixed Models ↗

    Norman E. Breslow; David G. Clayton · 1993

    Tratamento fundamental de GLMMs com efeitos aleatórios latentes e inferência aproximada baseada em verossimilhança.

  6. Geospatial Health Data: Modeling and Visualization with R-INLA and Shiny ↗

    Paula Moraga · 2019

    Percurso aplicado e reprodutível em regressão espacial e espaço-temporal hierárquica bayesiana com INLA/SPDE em modelos gaussianos latentes suportados.

  7. Generalized additive models for location, scale and shape ↗

    Robert A. Rigby; D. Mikis Stasinopoulos · 2005

    Introduz GAMLSS para vários parâmetros da distribuição da resposta, inclusive famílias assimétricas e de caudas pesadas; independência é condicional aos efeitos modelados.

  8. Generalized Additive Models: An Introduction with R, 2nd ed. ↗

    Simon N. Wood · 2017

    Constrói base prática e matemática para efeitos suaves de regressão e GAMs por splines penalizados em R.

↑ Voltar ao início do guia
05 / 06 · Biblioteca de pesquisa

Geometria da informação

Cerca de 3 min de leitura

Como a geometria dos modelos probabilísticos pode fundamentar inferência estatística e computação?

A geometria da informação estuda modelos estatísticos por métricas, divergências e conexões afins. Três percursos articulados vão da geometria das distribuições à estimação e aos testes por distâncias geodésicas e, depois, à computação geométrica para modelos estruturados. São percursos de estudo e pesquisa, não alegações de contribuições originais já concluídas.

Conhecimentos prévios: Probabilidade, verossimilhança, cálculo multivariado e álgebra linear; geometria diferencial para leituras avançadas.

Fundamentos compartilhados

Comece pela informação de Fisher como métrica local e diferencie divergências, conexões afins e distância geodésica global. Os três percursos exigem modelo especificado e regularidade justificada; uma distância geométrica útil não fornece automaticamente estimador ou teste de hipóteses calibrado.

Três vertentes de pesquisa

Variedades estatísticas e geometria dual

Estude métricas de Fisher–Rao, famílias exponenciais, divergências, conexões afins duais e geodésicas. Geometria da informação local e distância global respondem a questões matemáticas diferentes.

Estimação geométrica e testes de hipóteses

Investigue estimadores e testes construídos com divergências ou distâncias geodésicas. Os trabalhos de Menéndez, Morales, Pardo e Salicrú apresentam construções publicadas de testes geodésicos; calibração, identificabilidade e leis-limite dependem do modelo.

Computação geométrica e modelos estatísticos estruturados

Estude otimização por gradiente natural e distâncias de Fisher–Rao numéricas em famílias gaussianas multivariadas. Modelos matriciais conectam esta vertente a imagens; a classificação PolSAR publicada por distâncias estocásticas é relacionada, mas não constitui automaticamente um método geodésico de Fisher–Rao.

Oito leituras selecionadas

  1. Information Geometry and Its Applications ↗

    Shun-ichi Amari · 2016

    Introdução estruturada com aplicações estatísticas e computacionais.

  2. Methods of Information Geometry ↗

    Shun-ichi Amari; Hiroshi Nagaoka · 2000

    Tratamento avançado da geometria de modelos estatísticos e conexões duais.

  3. Geodesic submanifolds of statistical models with location parameters ↗

    Jacob Burbea; Joan del Castillo · 1992

    Critérios publicados para subvariedades geodésicas e sua aplicação a testes baseados na distância geodésica de informação.

  4. Statistical tests based on geodesic distances ↗

    María Luisa Menéndez; Domingo Morales; Leandro Pardo; Miquel Salicrú · 1995

    Desenvolve testes de hipóteses baseados em distâncias geodésicas e deduz distribuições assintóticas das estatísticas sob as hipóteses do artigo.

  5. (h, Φ)-entropy differential metric ↗

    María Luisa Menéndez; Domingo Morales; Leandro Pardo; Miquel Salicrú · 1997

    Estende a abordagem geométrica a métricas riemannianas induzidas por entropias e ilustra testes geodésicos na família Pareto; a métrica não precisa ser a de Fisher–Rao.

  6. Natural Gradient Works Efficiently in Learning ↗

    Shun-ichi Amari · 1998

    Introduz o gradiente natural em espaços de parâmetros com estrutura geométrica de informação, incluindo aprendizado e modelos matriciais.

  7. A Simple Approximation Method for the Fisher–Rao Distance between Multivariate Normal Distributions ↗

    Frank Nielsen · 2023

    Aproxima a distância de Fisher–Rao entre distribuições normais multivariadas discretizando curvas e usando divergência de Jeffreys local; a aproximação não é uma fórmula fechada geral.

  8. Classification of complex Wishart matrices with a diffusion-reaction system guided by stochastic distances ↗

    Luis Gomez; Luis Alvarez; Luis Mazorra; Alejandro C. Frery · 2015

    Uma ponte com imagens: classificação PolSAR de matrizes Wishart complexas por distâncias estocásticas e sistema de difusão–reação; não se afirma equivalência com geodésicas de Fisher–Rao.

↑ Voltar ao início do guia
06 / 06 · Biblioteca de pesquisa

Inferência causal

Cerca de 4 min de leitura

Qual efeito de intervenção é identificável, como estimá-lo e o que muda quando observações interagem no espaço ou no tempo?

A inferência causal separa o efeito de intervenção de interesse e suas hipóteses de identificação do procedimento estatístico empregado para estimá-lo. Três percursos introduzem delineamento causal, estimação robusta com apoio de aprendizado de máquina e intervenções espaciais ou longitudinais. Predição ou associação observacional isolada não identifica efeito causal.

Conhecimentos prévios: Probabilidade, regressão, delineamento experimental e inferência estatística; grafos direcionados e teoria semiparamétrica para aprofundamento.

Fundamentos compartilhados

Defina primeiro intervenção, unidade, população-alvo e estimando; depois avalie consistência, intercambialidade, positividade, atribuição de tratamento e possível interferência. Identificação precede estimação. Covariância corretamente modelada, prior bayesiana, ajuste GEE ou predição acurada extraída de imagens não substituem hipóteses causais não testáveis.

Três percursos de pesquisa

Identificação causal e delineamento de estudos

Use resultados potenciais e DAGs causais para definir intervenções e conjuntos de ajuste. Compare experimentos, hipóteses observacionais, delineamentos por escore de propensão e variáveis instrumentais; verifique a identificação antes de ajustar um modelo.

Estimação semiparamétrica e aprendizado de máquina causal

Após a identificação, estude escores de propensão, ponderação, estimadores duplamente robustos, funções de influência e aprendizado por escores ortogonais. Robustez exige condições de modelo e taxas; cross-fitting não justifica automaticamente inferência sob dependência espacial ou entre grupos.

Inferência causal espacial e longitudinal

Estude tratamentos variáveis no tempo, diferenças-em-diferenças modernas, confundimento espacial e efeitos entre localidades. Imagens ambientais, SAR e ópticas podem medir respostas e exposições, mas a identificação exige tratar interferência, delineamento e incerteza sob dependência espacial.

Nove leituras selecionadas

  1. Causal Inference: What If ↗

    Miguel A. Hernán; James M. Robins · 2020

    Conecta ensaios-alvo, identificação observacional e métodos longitudinais.

  2. Causal Inference for Statistics, Social, and Biomedical Sciences ↗

    Guido W. Imbens; Donald B. Rubin · 2015

    Desenvolve inferência baseada em delineamentos e resultados potenciais.

  3. Causality: Models, Reasoning, and Inference, 2nd ed. ↗

    Judea Pearl · 2009

    Desenvolve modelos causais estruturais, cálculo de intervenções e identificação com grafos.

  4. The central role of the propensity score in observational studies for causal effects ↗

    Paul R. Rosenbaum; Donald B. Rubin · 1983

    Estabelece argumentos de escore balanceador sob ignorabilidade forte.

  5. Doubly Robust Estimation in Missing Data and Causal Inference Models ↗

    Heejung Bang; James M. Robins · 2005

    Estabelece estimação duplamente robusta sob hipóteses especificadas para tratamento e modelo da resposta, conectando-se a equações de estimação.

  6. Double/debiased machine learning for treatment and structural parameters ↗

    Victor Chernozhukov et al. · 2018

    Desenvolve estimação por escores ortogonais com aprendizes flexíveis de funções auxiliares.

  7. Marginal structural models and causal inference in epidemiology ↗

    James M. Robins; Miguel A. Hernán; Babette Brumback · 2000

    Aborda confundimento variável no tempo por modelos estruturais marginais.

  8. Difference-in-Differences with Multiple Time Periods ↗

    Brantly Callaway; Pedro H. C. Sant’Anna · 2021

    Fornece identificação e estimação com adoção escalonada e efeitos heterogêneos.

  9. A Review of Spatial Causal Inference Methods for Environmental and Epidemiological Applications ↗

    Brian J. Reich et al. · 2021

    Revisa confundimento espacial, interferência e extensões espaço-temporais em estudos causais ambientais e epidemiológicos.

↑ Voltar ao início do guia