======  Seminário e Propostas inicias de trabalho ======



  *Dados binários em látice (explanação com exemplo);   
 - Estrutura de correlação induzida pela dependência espacial das observações.

  * Modelo autologístico usual estudados por diversos autores;
  * Métodos de Estimação;
  * Estrutura de Vizinhança;

  - motivação:   
 
  * Dados de MSC;
  * Dados de leprose de citros;

  - propostas:
  *Probabilidade da planta ficar doente dado o status das plantas vizinhas e covariáveis usuais do estudo;
  * Estrutura de vizinhança adequado;
  * Diferentes formas de considerar o efeito das covariáveis de vizinhança no modelo;

 - forma binária (0 ou 1), incidência de vizinhos doentes;

 - forma de contagem (0,1,2,...) número de vizinhos doentes; 

 - dummy;  

  * Considerar algumas transformações (log,raiz) na covariável, escolher aquela que maximiza a verossimilhança 
do modelo ajustado (relação linear descrita com uma função da covariável)

 quanto maior o número de vizinhos doentes maior a pressão infectiva da doença nas plantas?

  * Experimentar 'n' estruturas, dentro de 'n' modelos, ajustar aos dados os 'n' modelos e escolher o melhor dentre estes
 por verossimilhança.

  * lags, tempos anteriores a observação;

 - A dependência temporal existente entre as diferentes avaliações;

 - Observa-se a planta no tempo 't', será que há dependência em avaliações anteriores: t-1, t-2,...

 - O tempo entre as avaliações é diferentes;
Será que tempo maior entre uma avaliação e outra é significativa, 
e qdo as avaliações são feitas em um curto período de tempo?

 - Pesos para diferentes distâncias de tempo entre as avaliações(atual/anterior)?

  *Outras funções de ligação: probit, cloglog

-

  * Obter modelo autologístico espaço-temporal que ajusta-se adequadamente os dados de leprose de citrus, com
uma forma elegante de entrar com as covariáveis de vizinhança no modelo. 

  * Obter modelo autologístico espaço-temporal que ajusta-se adequadamente os dados de leprose de citrus, com
uma forma elegante de entrar com as covariáveis de vizinhança no modelo.