Taxas em pequenas reas :

uma abordagem bayesiana

Anlise Espacial - INPE

Ilka Afonso Reis
Taxas em pequenas reas

y
i
o nmero de casos da doena na rea i ;
e
i
o nmero esperado de casos da doena na rea i ;

i
o risco relativo (desconhecido) da doena em relao
taxa de referncia ; (padronizao)
Taxa bruta :
Quanto menor o n
o.
esperado de casos, maior a variabilidade
na estimao
e
y
p
i
i
i
=
( )
2
e
y
p Var
i
i
i
=
Qual o problema com taxas brutas ?
Suponha uma doena com r = 0,10 e acontece
um caso em cada rea (y = 1)
Se Pop
1
= 10000, e
1
= 0,10 x 10000 = 1000
Se Pop
2
= 1000, e
2
= 0,10 x 1000 = 100
Se Pop
3
= 100, e
3
= 0,10 x 100 = 10
p
1
=1/10000 = 0,0001 e Var(p
1
) = 1/10000
2
= 1 x 10
-8
p
2
=1/1000 = 0,001 e Var(p
2
) = 1/1000
2
= 1 x 10
-6
p
3
=1/100 = 0,01 e Var(p
3
) = 1/100
2
= 1 x 10
-4
Qual o problema com taxas brutas ?
Taxa bruta Taxa suavizada
Soluo para o problema
das taxas brutas
Suavizar as taxas
Como ?
Estimadores Bayesianos
Empricos
Completos
Uma Breve Introduo
Inferncia Bayesiana
Probabilidade Condicional

Teorema de Bayes

Verossimilhana

Probabilidade a priori

Probabilidade a posteriori

Um exemplo : medidas de qualidade de
testes diagnsticos
Doente (D)
Positivo (+|D)
Negativo (-|D)
Sadio (S)
Positivo (+|S)
Negativo (-|S)
Avaliao da qualidade do teste
) (
) (
) | (
D P
D P
D P
+
= +
Acertos :
Entre os doentes
Entre os sadios
Sensibilidade (s)
) (
) (
) | (
S P
S P
S P

=
Especificidade (e)
Avaliao da qualidade do teste
Resultado do
teste
Padro-ouro
Total
Doente No Doente
Positivo 265 47 312
Negativo 11 50 61
Total 276 97 373
96% ou 0,96
276
265
D) | P( s = = + =
= == =
50
e P( |S) 0, 515 ou 51,5%
97
Avaliao da qualidade do diagnstico
Acertos :
Entre os positivos
Entre os negativos
Valor de Predio Positiva (VPP)
) P(
) P(D
) | P(D
+
+
= +

) P(
) P(S
) | P(S

=
Valor de Predio Negativa (VPN)
Avaliao da qualidade do diagnstico
S)] ( D) P[(
D) | P( P(D)
) P(
) P(D
) | P(D
+ +
+
=
+
+
= +
S) | P( P(S) D) | P( P(D)
D) | P( P(D)
) | P(D
+ + +
+
= +
Regra de Bayes
Enfim ...
D) | P(- P(D) S) | P(- P(S)
S) | P(- P(S)
-) | P(S
+

=

Probabilidade a priori
Probabilidade a posteriori
Verossimilhana
Conceitos Bsicos e Notao
Dados : provenientes de uma amostra da populao
de interesse
y = (y
1
, y
2
, ..., y
n
)
P(y), distribuio de probabilidade conjunta de y.

Parmetros: quantidades, em geral desconhecidas,
que esto presentes nos modelos probabilsticos
para y e sero representadas por u.
P(y|u), funo de verossimilhana de y.


Exemplo : estimao de taxas
y
i
, casos da doena na rea i
e
i
, nmero de casos esperados na rea i segunda a taxa de
referncia

Parmetros a serem estimados

i :
o risco relativo (desconhecido) da doena em relao
taxa de referncia

e
i

i
representa o nmero de casos esperados (mdia) na rea i

Na inferncia clssica, boas estimativas para
i
so os valores
que maximizam a funo de verossimilhana P(y|
i
).
Estes valores so a estimativa de mxima verossimilhana
O modelo para os dados a funo de verossimilhana P(y|u).
Modelo : y
i
Poisson(e
i

i
)
O Mtodo da Mxima Verossimilhana
Na inferncia clssica, os parmetros de um
modelo so tratados como quantidades fixas
(no aleatrias), porm desconhecidas.

O mtodo da mxima verossimilhana
considerado bom em muitos casos.

Porm, quando a forma de P(y|u) complexa
e/ou quando o nmero de parmetros u
envolvidos grande, este mtodo torna-se difcil
de implementar.
A abordagem Bayesiana
Na inferncia Bayesiana, os parmetros u so
tratados como quantidades aleatrias.
O modelo estatstico no mais somente P(y|u)
e sim P(y,u), a distribuio conjunta dos dados y
e dos parmetros u .
As estimativas para u no sero somente valores,
mas sim uma distribuio de probabilidades.

P(u|y) a distribuio de probabilidades dos
parmetros u luz dos dados y.

A abordagem Bayesiana
Como obter P(u|y) ?





P(,y)
P(|y) =
P(y)
Probabilidade a priori
Probabilidade a posteriori
Verossimilhana
P(,y) P(y|) P()
P(|y) = =
P(y) P(y)

Pela Regra de Bayes

P(u) expressa a incerteza sobre u antes de
observarmos os dados y que dependem dele
(a priori) .

P(u|y) expressa a incerteza sobre u depois de
observarmos os dados y que dependem dele
(a posteriori).

De posse de P(u|y), podemos examinar qualquer
aspecto de u (mdia, varincia, percentis,
probabilidade de assumir determinados valores,
etc.) (Full Posterior Distribution)
A abordagem Bayesiana
Passos para obteno de P(u|y)
1. Escolher um modelo probabilstico para
P(y|u) a funo de verossimilhana;

2. Escolher um modelo probabilstico para
P(u) a distribuio a priori ;

3. Aplicar a regra de Bayes e calcular P(u|y).

Exemplo : modelo Gamma-Poisson

y o nmero de casos da doena em certa rea ;
e

o nmero esperado de casos da doena em certa rea;
o risco relativo (desconhecido) da doena em relao
taxa de referncia nesta rea;
Modelo para P(y|) : y ~ Poisson (e )
( )
! y
e
e y

=
e
) | P(y
Exemplo : modelo Gamma-Poisson
Modelo para P() : ~ Gamma (,|)
} }
= = =
1
0
1
0
) P( ) | P(y
) P( ) | P(y ) P( ) | P(y
P(y)
) P( ) | P(y
y) | P(

d d y P ) , (
Clculo da posteriori P(|y)
hiperparmetros
|y ~ Gamma ( + y , | + e )
< <
+ I
+

+
+
+

|

|
|
0 e
1
,
) (
) (
) | (
) (
) (
) (
y
e
e
e
y
y P
Exemplo : modelo Gamma-Poisson
Prioris : Gamma (0.5 , 0.5), Gamma (1,1) e Gamma (10,10)
Suponha que y = 4 e e = 6.5
Posterioris : Gamma (4.5 , 7.0), Gamma (5,7.5) e Gamma(14,16.5)
Exemplo : modelo Gamma-Poisson
Priori
Quantis a posteriori Mdia a
posteriori
0.025 0.500 0.975
Gamma (0.5,0.5) 0.421 0.596 0.813 0.643
Gamma (1 , 1) 0.449 0.623 0.837 0.673
Gamma (10 , 10) 0.687 0.828 0.988 0.855
Intervalo de Credibilidade de 95%
Modelo espacial bayesiano
para taxas em pequenas reas
Modelo espacial bayesiano para
taxas em pequenas reas
Modelo geral
y
i
Poisson(
i
) = Poisson(e
i

i
)
y
i
o nmero de casos da doena na rea i ;
e
i
o nmero esperado de casos da doena na rea i ;

i
o risco relativo (desconhecido) da doena em relao
taxa de referncia ; (padronizao)
log
i
= log e
i
+
i
;

i
denota o log do risco relativo (
i
= log
i
, ou seja,

i
= exp(
i
) )
Modelo de efeitos fixos (mxima verossimilhana)

Quanto menor o n
o.

esperado de casos,
maior a variabilidade
na estimao
e
y
p
i
i
i
=
( )
2
e
y
p Var
i
i
i
=
Qual o problema com taxas brutas ?
Taxa bruta Taxa suavizada
Qual o problema com taxas brutas ?
Taxa bruta Taxa suavizada
Qual o problema com taxas brutas ?
Taxa bruta Taxa suavizada
Modelo de efeitos aleatrios

i
Gamma(
i
, |
i
)

=
i
/|
i
e
2

=
i
/|
i
2
;
Gamma + Poisson = Gamma ;
P(
i
|y) Gamma(
i
+ y
i
, |
i
+ e
i
).



Quanto maior o nmero de dados, mais prximo de
y
i
/e
i
estar a estimativa do risco relativo ;
Quanto menor o nmero de dados, mais prximo de

i
/|
i
estar a estimativa de risco relativo.
Modelo espacial bayesiano para
taxas em pequenas reas
i i
i i
i
e
y
+
+
=
|

Modelo espacial bayesiano para

taxas em pequenas reas
Os parmetros
i
e |
i
so os hiperparmetros.
Como saber quem
i
e |
i
?
Podem ser estimados (Bayes emprico) ;
Exemplo: Mersey
priori hiperprioris
P(, , ||y) P(y|)P(|, |)P()P(|)
Pode-se estabelecer uma distribuio a priori para
e (hiperprioris).
Modelo espacial bayesiano para
taxas em pequenas reas
Modelo espacialmente estruturado (abordagem completa)
y
i
Poisson(
i
) = Poisson(e
i

i
)
log
i
= log e
i
+
i
;
i
= log
i

i
= + |
i
+ v
i
, onde
o log do risco relativo mdio sobre todas as
reas ;
|
i
a parte no-espacialmente estruturada do log
do risco relativo da rea i ; (mdia zero)
v
i
a parte espacialmente estruturada do log do
risco relativo da rea i;

Modelo espacial bayesiano para
taxas em pequenas reas
Prioris :
~ Uniforme [- ; ] (flat)
|
i
~ Normal (0 ; o
2
|)



A priori para
i
um modelo autoregressivo
condicional Gaussiano (CAR)
w
ij
so pesos representando a adjacncia das
reas. A definio mais comum para w
ij
so
valores binrios :
w
ij
= 1, se as reas i e j so adjacentes;
w
ij
= 0, caso contrrio.
|
|
.
|

\
|

= =
=
=
i j ij i j ij
i j j ij
i j i
w w
w
N
o
v
v v
v
2
, ~ |
Modelo espacial bayesiano para
taxas em pequenas reas
Modelo completo
y
i
Poisson(
i
) = Poisson(e
i

i
)
log
i
= log e
i
+ + |
i
+ v
i
~ Uniforme [- ; ]
|
i
~ Normal (0 ; o
2
|
)

i
~ CAR(o
2
v
)
Hiperprioris Gamma para
|
= 1/ o
2
|


e para

v
= 1/o
2
v
(
|
e
v
representam a preciso)

Exemplo: leishmaniose visceral (leish_inpe_spatial)
Modelo espacial bayesiano para
taxas em pequenas reas
Leishmaniose Visceral Humana (BH 1994/95)
Taxa bruta Taxa suavizada Taxa bruta Taxa suavizada Taxa bruta Taxa suavizada
Modelo espacial bayesiano para
taxas em pequenas reas
taxa[29] sample: 11001
0.0 10.0 20.0 30.0
0.0
0.05
0.1
0.15
taxa[39] sample: 11001
0.0 5.0 10.0
0.0
1.0
2.0
3.0
4.0
Modelo espacial bayesiano para
taxas em pequenas reas
Modelo espao-temporal
y
i
Poisson(
i
) = Poisson(e
i

i
)
log
i
= log e
i
+
i
;
i
= log
i

i
= + |
i
+ v
i
+ o
0
t + o
i
t, onde
, |
i
e v
i
so definidos como antes ;
o
0
~ Uniforme [- ; ] e o
i
~

CAR(o
2
o
)
representam a parte temporal do modelo

Exemplo: leishmaniose visceral
(leish_inpe_spatial_temporal)
Modelo espacial bayesiano para
taxas em pequenas reas
Previso para o
quarto perodo

Modelo:
N
o.
de parmetros :
365
Tempo de
simulao de
10000 iteraes:
112 segundos
AMD Athlon XP2000 1.67 GHz 512 Mb RAM
Modelo espacial bayesiano para
taxas em pequenas reas
Modelo espao-temporal (alternativo)
y
i
Poisson(
i
) = Poisson(e
i

i
)
log
i
= log e
i
+
i
;
i
= log
i

Modelo linear para
i

i
=
0
+
i
+ |
i
(t-1), onde

0
~ Uniforme [- ; ]

i
~ CAR(o
2

) e |
i
~ CAR(o
2

) so parmetros
de uma equao de regresso ;
Exemplo: leishmaniose visceral (leish_inpe_dissert)
Modelo espacial bayesiano para
taxas em pequenas reas
Previso para o
quarto perodo

Modelo linear
N
o.
de parmetros :
243
Tempo de simulao
de 10000 iteraes:
51 segundos
Modelo espacial bayesiano para
taxas em pequenas reas
Modelo espao-temporal (alternativo)
y
i
Poisson(
i
) = Poisson(e
i

i
)
log
i
= log e
i
+
i
;
i
= log
i

i
=
0
+
i
+ |
i
(t-1)

+
i
(t-1)
2
, onde

0
,
i
e |
i
so definidos como antes ;

i
~

CAR(o
2

) ;

Exemplo: leishmaniose visceral (leish_inpe_dissert)
Modelo espacial bayesiano para
taxas em pequenas reas
Previso para o
quarto perodo

Modelo quadrtico
N
o.
de parmetros :
364
Tempo de simulao
de 10000 iteraes:
69 segundos
Referncias Bibliogrficas
Assuno, R. M. ; Reis, I. A. ; Oliveira, C. L. Diffusion and
Prediction of Leishmaniasis in a Large Metropolitan Area in
Brasil with a Space-Time Model. Statistics in Medicine
(2001), 20 : pp. 2319- 2335

Spiegelhalter, D. ; Thomas, A. ;Best, N. ;Lunn, D. WinBUGS
User Manual , (References), version 1.4, (2003)



Back-up slides
Bayes Emprico
y
i
Poisson(
i
) = Poisson(e
i

i
)

i
Gamma(
i
, |
i
) E[
i
] =
i
/|
i
e Var[
i
] =
i
/|
i
2


(

+ = =
2
2
1
s e
i
i
i
i i
i
i
i
e
e e y
| |

E[y
i
] = E

[E
y
[y
i
|
i
]] = E

[e
i

i
] = e
i

i
/|
i
Var [y
i
] = E

[Var
y
[y
i
|
i
]] + Var

[E
y
[ y
i
|
i
]]
= e
i

i
/|
i
+ (e
i
)
2

i
/|
i
2

| | | |
2
e s y Var y y E
i i
= =
Pelo Mtodo dos Momentos


Ento
O que nos leva a



Igualando (1) e (2), temos


Bayes Emprico
(2)
s
e (1)
2 2
(

+
= =
i i
i
i
i
i
i
i
e
e e
y
|
|

(2)
s
e (1)
s
2
2
2
y
y
y
y e
i
i
i

= |

| | | |
s
Var e
2
2
2
i
i
i
i
i
i
i
i
e
y
e
y
E

= = = =
|

Padronizao direta das taxas

r taxa de referncia da doena;
Pop
i
a populao sob risco da rea i ;
e
i
= r x Pop
i
, o nmero esperado de casos na
rea i ;

u
i
o risco da doena na rea i ;

i
= u
i
/ r o risco relativo (desconhecido) da
doena em relao taxa de referncia ;
e
i
x
i
= (r x Pop
i
) x (u
i
/ r) = Pop
i
x u
i
;

Clculo da posteriori P(u|y)
} }
= = =
u u u
u u
u u
u u u u
u
d d y P ) P( ) | P(y
) P( ) | P(y
) , (
) P( ) | P(y
P(y)
) P( ) | P(y
y) | P(
Distribuio Gaussiana (Normal)
2
1 1
( ) exp
2
2
i
i
y
f y

o
o t
(

| |
=
(
|
\ .
(

(
(

|
.
|

\
|

|
.
|

\
|
=

=
n
i
i
n
y
y P
1
2
2
1
exp
2
1
) , | (
o

t o
o
- < y
i
< , - < <
o > 0
, y = (y
1
, y
2
, ..., y
n
)
y
1
, y
2
, ..., y
n i.i.d
Distribuio Beta

0 ; 0
1 0 ,
) ( ) (
) (
) (
) 1 (
1
1
> >
< <
I I
+ I
=

| o
| o
| o |
o
x x f
x
x
Distribuio Gamma (, |)
0 e 0
0
1
> >
< <
I
=

|
|

|
|
x e x x f
x
,
) (
) (