In the present paper, we examine the effect of socioeconomic characteristics on the life expectancy of men and women in the Stockholm metropolitan area. Detailed individual data allows for a novel approach where observations can be displayed in high resolution. As is often the case with geographical data, the variables display high spatial autocorrelations, which imply that observations in proximity are more, or less, similar than what could be expected under the assumption of independent and identically distributed observations. Presence of spatial autocorrelation makes conventional regression models nonfunctional, and a model that accounts for this is therefore specified. In addition, a distance-band which reflects the distance and association between observations is determined. Lagrange Multiplier tests, AIC, log-likelihood, and the Schwarz criterion suggest that a spatial error model with a 300-meter distance band is appropriate for the data at hand. The findings suggest that: (1) Belonging to a minority group has the strongest effect on life expectancies and (2) the effect is negative for both genders, although the negative impact is stronger for males. Tests for spatial autocorrelation on the residuals suggest that the adopted spatial error model captures nearly all spatial autocorrelation in the data, compared to alternative models.

Hedonic pricing methods and GIS (Geographic Information Systems) were used to evaluate relationships between sale price of single family homes and landscape fragmentation and natural land cover. Spatial regression analyses found that sale prices increase as landscapes become less fragmented and the amount of natural land cover around a home increases. The projected growth in population and employment in the Richmond, Virginia region and subsequent increases in land development and landscape fragmentation presents a challenge to sustaining intact healthy ecosystems in the Richmond region. Spatial regression analyses helped illuminate how land cover patterns influence sale prices and landscape patterns that are economically and ecologically advantageous.

O objetivo deste trabalho é comparar as estruturas de vizinhanças espaciais ou matrizes de pesos espaciais da classe de modelos autorregressivos e de médias móveis espaço-temporais (STARMA). O modelo STARMA é empregado para descrever dados de séries temporais espacialmente localizados, ele é caracterizado pela dependência linear defasada tanto no espaço quanto no tempo. Foram realizadas simulações utilizando vários modelos de covariância espaço-temporal para comparar diferentes estruturas de construção da matriz de pesos espaciais com a finalidade de identificar a melhor matriz. As matrizes espaciais com pesos exponenciais apresentaram os melhores desempenhos de ajuste dos modelos STAR; e mostram uma estabilidade em relação à medida de ajuste. Por fim para ilustração, será ajustado um modelo STARMA para um conjunto de dados mensais do índice FIPEZAP de preço imobiliário de venda para apartamentos de dois dormitórios de seis cidades metropolitanas de São Paulo. / The objective of this work is to compare spatial neighborhoods structures, or the same as spatial weights matrices of the class of space-time autoregressive and moving average models STARMA. The STARMA model is used to describe spatially localized time series datas, it is characterized by the linear dependence lagged both in space and time. Simulations were performed using several space-time covariance models to compare different structures of construction of the weight matrix with the purpose of identifying the best matrix. The spatial matrices with exponential weights presented the best adjustment performances of the STAR models ans showed a stability in relation to the adjustment measure. Finally, for illustration, a STARMA model will be adjusted for a set of monthly data of the FIPEZAP real estate price index for two bedroom apartments in six metropolitan cities of São Paulo.

A modelagem de processos espaço-temporais é de suma importância para dados climatológicos, visto que o clima sofre influência temporal e espacial. A classe de modelos STARMA, autorregressivo e de médias móveis espaço-temporal, adequa-se a esses processos, porém, não há, na literatura, um estudo sobre o melhor método para quantificar a dependência espacial, e não é sabido se há uma diferença entre os métodos para esses modelos. Logo, neste trabalho, é realizado um estudo de simulações do modelo STAR, utilizando-se diferentes formas para obter os pesos espaciais. Após concluir as simulações é realizado o ajuste de um modelo STARIMA para um conjunto de dados de médias mensais de temperaturas mínimas diárias coletadas em uma mesorregião localizada no Oeste do Estado do Paraná. Este trabalho é separado em dois artigos e ambos são realizados utilizando-se o programa R. O primeiro é o estudo de simulações, chegando-se à conclusão de que o método para determinar a dependência espacial interfere no resultado da modelagem e depende da região em estudo. No segundo artigo, conclui-se que o inverso da distância é a melhor opção para a matriz de pesos e um modelo STARIMA sazonal tem o melhor ajuste para o conjunto de dados em questão. / Process modeling spatio-temporal is of great importance for climatological data, once that the climate undergoes spatial and temporal influence. The class of models STARMA, autoregressive models and spatio-temporal moving averages, are suitable to the these processes, however, for these models, there is not a study about the best method to quantify the spatial dependence, and/or it is not known whether there is a difference between the methods for these models. In this thesis, a study simulations of the STAR model using different forms for the spatial weights is performed. After the simulation procedure, the STARIMA model is fitted to the real dataset of monthly mean daily minimum temperatures collected in a mesoregion located to the west of the state of Paraná. This thesis is separated into two papers and both are performed using the statistical software R. The first one is the simulation study that concludes that the method for determining the spatial dependence interferes with results of the modeling and depends on the region under study. In the second paper, it is concluded that the inverse distance is the best option for the weight matrix and a seasonal STARIMA model has the best fit for the data set.

O objetivo deste trabalho é comparar as estruturas de vizinhanças espaciais ou matrizes de pesos espaciais da classe de modelos autorregressivos e de médias móveis espaço-temporais (STARMA). O modelo STARMA é empregado para descrever dados de séries temporais espacialmente localizados, ele é caracterizado pela dependência linear defasada tanto no espaço quanto no tempo. Foram realizadas simulações utilizando vários modelos de covariância espaço-temporal para comparar diferentes estruturas de construção da matriz de pesos espaciais com a finalidade de identificar a melhor matriz. As matrizes espaciais com pesos exponenciais apresentaram os melhores desempenhos de ajuste dos modelos STAR; e mostram uma estabilidade em relação à medida de ajuste. Por fim para ilustração, será ajustado um modelo STARMA para um conjunto de dados mensais do índice FIPEZAP de preço imobiliário de venda para apartamentos de dois dormitórios de seis cidades metropolitanas de São Paulo. / The objective of this work is to compare spatial neighborhoods structures, or the same as spatial weights matrices of the class of space-time autoregressive and moving average models STARMA. The STARMA model is used to describe spatially localized time series datas, it is characterized by the linear dependence lagged both in space and time. Simulations were performed using several space-time covariance models to compare different structures of construction of the weight matrix with the purpose of identifying the best matrix. The spatial matrices with exponential weights presented the best adjustment performances of the STAR models ans showed a stability in relation to the adjustment measure. Finally, for illustration, a STARMA model will be adjusted for a set of monthly data of the FIPEZAP real estate price index for two bedroom apartments in six metropolitan cities of São Paulo.

A modelagem de processos espaço-temporais é de suma importância para dados climatológicos, visto que o clima sofre influência temporal e espacial. A classe de modelos STARMA, autorregressivo e de médias móveis espaço-temporal, adequa-se a esses processos, porém, não há, na literatura, um estudo sobre o melhor método para quantificar a dependência espacial, e não é sabido se há uma diferença entre os métodos para esses modelos. Logo, neste trabalho, é realizado um estudo de simulações do modelo STAR, utilizando-se diferentes formas para obter os pesos espaciais. Após concluir as simulações é realizado o ajuste de um modelo STARIMA para um conjunto de dados de médias mensais de temperaturas mínimas diárias coletadas em uma mesorregião localizada no Oeste do Estado do Paraná. Este trabalho é separado em dois artigos e ambos são realizados utilizando-se o programa R. O primeiro é o estudo de simulações, chegando-se à conclusão de que o método para determinar a dependência espacial interfere no resultado da modelagem e depende da região em estudo. No segundo artigo, conclui-se que o inverso da distância é a melhor opção para a matriz de pesos e um modelo STARIMA sazonal tem o melhor ajuste para o conjunto de dados em questão. / Process modeling spatio-temporal is of great importance for climatological data, once that the climate undergoes spatial and temporal influence. The class of models STARMA, autoregressive models and spatio-temporal moving averages, are suitable to the these processes, however, for these models, there is not a study about the best method to quantify the spatial dependence, and/or it is not known whether there is a difference between the methods for these models. In this thesis, a study simulations of the STAR model using different forms for the spatial weights is performed. After the simulation procedure, the STARIMA model is fitted to the real dataset of monthly mean daily minimum temperatures collected in a mesoregion located to the west of the state of Paraná. This thesis is separated into two papers and both are performed using the statistical software R. The first one is the simulation study that concludes that the method for determining the spatial dependence interferes with results of the modeling and depends on the region under study. In the second paper, it is concluded that the inverse distance is the best option for the weight matrix and a seasonal STARIMA model has the best fit for the data set.