A Dynamic Structural Equation Approach to Estimate the Short-Term Effects of Air Pollution on Human Health

Friel, Nial; Ippoliti, Luigi; Valentini, Pasquale

doi:10.1111/rssc.12554

Cited by 5 publications

(4 citation statements)

References 55 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Those findings partially confirms the ones reported by Ignaccolo et al (2013), however it seems that by modeling the spatial correlation in the data it is possible to isolate an area in the south west of the region (blue cluster). This last insight seems in line with the results reported independently by Gamerman et al (2022) regarding PM 10 concentration. As expected, by estimating an increased number of clusters, it is possible to show maps featuring more spatial details (see Figure 6).…”

Section: Functional Zoning For Air Quality Monitoringsupporting

confidence: 92%

“…For spatially dependent functions we have proposed a simple and straightforward parametrization of the multinomial logit model which does not require the estimation of spatial covariance parameters. However, other solutions including the use of different basis functions are possible; see, for example, Cressie and Johannesson (2008) for the use of bisquare basis functions or Gamerman et al (2022) for the use of univariate and multivariate Gaussian processes in a Bayesian setting.…”

Section: Mandibular Shape Changesmentioning

confidence: 99%

See 1 more Smart Citation

Penalized Model-based Clustering of Complex Functional Data

Pronello

Ignaccolo

Ippoliti

et al. 2022

Preprint

Self Cite

View full text Add to dashboard Cite

High dimensional data, large-scale data, imaging and manifold data are all fostering new frontiers of statistics. These type of data are commonly considered in Functional Data Analysis (FDA) where they are viewed as infinite-dimensional random vectors in a functional space. The rapid development of new technologies has generated a flow of complex data that have led to the development of new modeling strategies by scientists. In this paper, we basically deal with the problem of clustering a set of complex functional data into homogeneous groups. Working in a mixture model-based framework, we develop a flexible clustering technique achieving dimensionality reduction schemes through an L1 penalization. The proposed procedure results in an integrated modelling approach where shrinkage techniques are applied to enable sparse solutions in both the means and the covariance matrices of the mixture components, while preserving the underlying clustering structure. This leads to an entirely data-driven methodology suitable for simultaneous dimensionality reduction and clustering. The proposed methodology is evaluated through a Monte Carlo simulation study and an empirical analysis of real-world datasets showing different degrees of complexity.

show abstract

Section: Functional Zoning For Air Quality Monitoringsupporting

confidence: 92%

Section: Mandibular Shape Changesmentioning

confidence: 99%

Penalized Model-based Clustering of Complex Functional Data

Pronello

Ignaccolo

Ippoliti

et al. 2022

Preprint

Self Cite

View full text Add to dashboard Cite

show abstract

“…For spatiotemporal models, early studies were first attempted by Haslett and Raftery (1989), Frias et al (2006Frias et al ( , 2009. Possible extensions can be thought along the research line of the Bayesian Generalized Spatio-Temporal Structural Equation model of Ippoliti et al (2012) and Gamerman et al (2022), where spatial and temporal long range dependence structures can be introduced at different levels of the hierarchy and for the different processes specified within the state-space formulation. In this case, efficient parameter estimation of the LM parameter could be obtained by following, for example, Chopin et al (2013) and Liseo et al (2001).…”

Section: Discussion and Suggestions For Future Workmentioning

confidence: 99%

Long memory conditional random fields on regular lattices

et al. 2023

View full text Add to dashboard Cite

This paper draws its motivation from applications in geophysics, agricultural, and environmental sciences where empirical evidence of slow decay of correlations have been found for data observed on a regular lattice. Spatial ARFIMA models represent a widely used class of spatial models for analyzing such data.Here, we consider their generalization to conditional autoregressive fractional integrated moving average (CARFIMA) models, a larger class of long memory models which allows a wider range of correlation behavior. For this class we provide detailed descriptions of important representative models, make the necessary comparison with some other existing models, and discuss some important inferential and computational issues on estimation, simulation and long memory process approximation. Results from model fit comparison and predictive performance of CARFIMA models are also discussed through a statistical analysis of satellite land surface temperature data.

show abstract

“…Por exemplo, Blangiardo et al (2013) propôs uma abordagem por Aproximação de Laplace Aninhada Integrada (Integrated Nested Laplace Approximation -INLA), como uma alternativa computacional para estimar dados epidemiológicos caracterizados em uma estrutura espacial e/ou temporal. Por outro lado, Gamerman et al (2022) propôs uma abordagem de redução da dimensionalidade espaço-temporal, a partir de equações estruturais dinâmicas, como forma de avaliar os efeitos da poluição do ar em dados de hospitalização.…”

Section: Lista De Tabelasunclassified

Modelo funcional espaço-temporal para dados com estrutura de blocos com medidas repetidas

Henriques da Matta

View full text Add to dashboard Cite

ResumoA análise de dados espaço-temporais têm sido objeto de pesquisas em diversas áreas do conhecimento. Um dos principais objetivos de tais pesquisas é a necessidade de avaliar o comportamento dos efeitos climáticos em determinadas regiões ao longo de um período de tempo. Quando determinados padrões climáticos atuam por vários dias ou até mesmo semanas, fazendo com que as áreas por eles afetadas tenham o mesmo tipo de clima por um longo período de tempo, o uso de blocos para esses fenômenos pode ser uma boa estratégia. Além disso, ter medidas repetidas para observações dentro de blocos ajuda a controlar as diferenças entre as observações, ganhando assim uma maior sensibilidade. Diante de tais perspectivas, este trabalho apresenta um modelo de regressão espaço-temporal com estrutura de blocos com medidas repetidas incorporando como preditores variáveis funcionais de natureza fixa e aleatória. Para acomodar estruturas complexas espaciais, temporais e de blocos, foram considerados componentes funcionais baseados em efeitos aleatórios, além da estrutura de covariância de classe Matérn, responsável por contabilizar a covariância espacial. Esta tese é motivada por um conjunto de dados de precipitação coletados ao longo do tempo (mensalmente) em diversas estações meteorológicas localizadas no Estado de Goiás no Brasil, entre os anos de 1980 e 2001 (21 anos). Neste contexto, os efeitos espaciais são representados por diferentes estações meteorológicas, o efeito temporal é representado por meses, o efeito de bloco por padrões climáticos e as medidas repetidas por anos dentro dos padrões climáticos. O modelo proposto apresentou resultados satisfatórios nos estudos de simulação, bem como quando aplicado ao problema de estimação da precipitação nos dados disponíveis.

show abstract

A Dynamic Structural Equation Approach to Estimate the Short-Term Effects of Air Pollution on Human Health

Cited by 5 publications

References 55 publications

Penalized Model-based Clustering of Complex Functional Data

Penalized Model-based Clustering of Complex Functional Data

Long memory conditional random fields on regular lattices

Modelo funcional espaço-temporal para dados com estrutura de blocos com medidas repetidas

Contact Info

Product

Resources

About