Dados longitudinais correspondem a medidas repetidas ao longo de uma escala ordenada e são amplamente utilizados em áreas como saúde, agricultura e ciências sociais. Um dos principais desafios em sua análise é acomodar a dependência temporal entre as observações de forma adequada. Essa tarefa se torna ainda mais desafiadora quando os dados apresentam assimetria, caudas pesadas ou não estacionariedade, características que, nesta palestra, são tratadas como dados complexos. Nesses casos, abordagens baseadas na suposição de normalidade podem levar a inferências inadequadas. Diante desse cenário, esta palestra apresenta duas abordagens, uma paramétrica e outra semi-paramétrica, para a modelagem de dados longitudinais complexos. A proposta paramétrica baseia-se em modelos de antedependência sob diferentes estruturas de correlação, considerando distribuições flexíveis para as inovações, como a skew-normal e a skew-t, em parametrização centrada. Já a abordagem semiparamétrica introduz a metodologia BELLA (Bayesian Empirical Likelihood Longitudinal Analysis), que integra a verossimilhança empírica Bayesiana a equações de estimação para análise de dados longitudinais sem a necessidade de especificação completa da distribuição. Em ambas as propostas, a inferência é realizada por meio do algoritmo Hamiltonian Monte Carlo (HMC).
Shortbio:
Carina Brunehilde é doutora em Estatística pelo Instituto de Matemática, Estatística e Computação Científica (IMECC/UNICAMP), com período de doutorado sanduíche na The Ohio State University. Possui bacharelado em Estatística e licenciatura em Matemática pela Universidade Federal do Ceará (UFC), além de mestrado pelo PROFMAT também pela UFC. Atualmente, é professora do curso de Licenciatura em Matemática na Universidade Estadual Vale do Acaraú (UVA). Durante o doutorado, investigou a modelagem de dados longitudinais complexos sob uma perspectiva bayesiana, combinando abordagens semi-paramétricas e paramétricas com métodos computacionais, como o Hamiltonian Monte Carlo (HMC), e o uso de distribuições assimétricas para capturar características como assimetria, caudas pesadas e dependência ao longo do tempo. Além da pesquisa, dedica-se à formação de professores de matemática, além de coordenar iniciativas voltadas à valorização e incentivo de mulheres nas áreas de STEM, como o projeto Vozes Femininas na Matemática: Somando e Integrando Experiências, promovendo a aproximação entre ciência, educação e sociedade.
