Modelos de regressão para variáveis resposta binárias são muito comuns em diversas áreas do conhecimento. O modelo mais utilizado nessas situações é o modelo de regressão logística, que assume que o logito da probabilidade de ocorrência de um dos valores da variável resposta é uma função linear das variáveis preditoras. Quando essa suposição não é razoável, algumas possíveis alternativas são: realizar transformação das variáveis preditoras e/ou inserir termos quadráticos ou cúbicos no modelo. O problema dessa abordagem é que ela dificulta bastante a interpretação dos parâmetros do modelo e, em algumas áreas, é fundamental que eles sejam interpretáveis. Assim, uma abordagem muitas vezes utilizada é a categorização das variáveis preditoras quantitativas do modelo. Sendo assim, este trabalho tem como objetivo propor duas novas classes de métodos de categorização de variáveis contínuas em modelos de regressão para variáveis resposta binárias. A primeira classe de métodos é univariada e busca maximizar a associação entre a variável resposta e a covariável categorizada utilizando medidas de associação para variáveis qualitativas. Já a classe de métodos multivariada tenta incorporar a estrutura de dependência entre as covariáveis do modelo através da categorização conjunta de todas as variáveis preditoras. Para avaliar o desempenho, aplicamos as classes de métodos propostas e quatro métodos de categorização existentes em 3 bases de dados relacionadas à área de risco de crédito e a dois cenários de dados simulados. Os resultados nas bases reais sugerem que a classe univariada proposta têm um desempenho superior aos métodos existentes quando comparamos o poder preditivo do modelo de regressão logística. Já os resultados nas bases de dados simuladas sugerem que ambas as classes propostas possuem um desempenho superior aos métodos existentes. Em relação ao desempenho computacional, o método multivariado mostrou-se inferior e o univariado é superior aos métodos existentes. / Regression models for binary response variables are very common in several areas of knowledge. The most used model in these situations is the logistic regression model, which assumes that the logit of the probability of a certain event is a linear function of the predictors variables. When this assumption is not reasonable, it is common to make some changes in the model, such as: transformation of predictor variables and/or add quadratic or cubic terms to the model. The problem with this approach is that it hinders parameter interpretation, and in some areas it is fundamental to interpret the parameters. Thus, a common approach is to categorize the quantitative covariates. This work aims to propose two new classes of categorization methods for continuous variables in binary regression models. The first class of methods is univariate and seeks to maximize the association between the response variable and the categorized covariate using measures of association for qualitative variables. The second class of methods is multivariate and incorporates the predictor variables correlation structure through the joint categorization of all covariates. To evaluate the performance, we applied the proposed methods and four existing categorization methods in 3 credit scoring databases and in two simulated cenarios. The results in the real databases suggest that the proposed univariate class of categorization methods performs better than the existing methods when we compare the predictive power of the logistic regression model. The results in the simulated databases suggest that both proposed classes perform better than the existing methods. Regarding computational performance, the multivariate method is inferior and the univariate method is superior to the existing methods.

Modelos de regressão para variáveis resposta binárias são muito comuns em diversas áreas do conhecimento. O modelo mais utilizado nessas situações é o modelo de regressão logística, que assume que o logito da probabilidade de ocorrência de um dos valores da variável resposta é uma função linear das variáveis preditoras. Quando essa suposição não é razoável, algumas possíveis alternativas são: realizar transformação das variáveis preditoras e/ou inserir termos quadráticos ou cúbicos no modelo. O problema dessa abordagem é que ela dificulta bastante a interpretação dos parâmetros do modelo e, em algumas áreas, é fundamental que eles sejam interpretáveis. Assim, uma abordagem muitas vezes utilizada é a categorização das variáveis preditoras quantitativas do modelo. Sendo assim, este trabalho tem como objetivo propor duas novas classes de métodos de categorização de variáveis contínuas em modelos de regressão para variáveis resposta binárias. A primeira classe de métodos é univariada e busca maximizar a associação entre a variável resposta e a covariável categorizada utilizando medidas de associação para variáveis qualitativas. Já a classe de métodos multivariada tenta incorporar a estrutura de dependência entre as covariáveis do modelo através da categorização conjunta de todas as variáveis preditoras. Para avaliar o desempenho, aplicamos as classes de métodos propostas e quatro métodos de categorização existentes em 3 bases de dados relacionadas à área de risco de crédito e a dois cenários de dados simulados. Os resultados nas bases reais sugerem que a classe univariada proposta têm um desempenho superior aos métodos existentes quando comparamos o poder preditivo do modelo de regressão logística. Já os resultados nas bases de dados simuladas sugerem que ambas as classes propostas possuem um desempenho superior aos métodos existentes. Em relação ao desempenho computacional, o método multivariado mostrou-se inferior e o univariado é superior aos métodos existentes. / Regression models for binary response variables are very common in several areas of knowledge. The most used model in these situations is the logistic regression model, which assumes that the logit of the probability of a certain event is a linear function of the predictors variables. When this assumption is not reasonable, it is common to make some changes in the model, such as: transformation of predictor variables and/or add quadratic or cubic terms to the model. The problem with this approach is that it hinders parameter interpretation, and in some areas it is fundamental to interpret the parameters. Thus, a common approach is to categorize the quantitative covariates. This work aims to propose two new classes of categorization methods for continuous variables in binary regression models. The first class of methods is univariate and seeks to maximize the association between the response variable and the categorized covariate using measures of association for qualitative variables. The second class of methods is multivariate and incorporates the predictor variables correlation structure through the joint categorization of all covariates. To evaluate the performance, we applied the proposed methods and four existing categorization methods in 3 credit scoring databases and in two simulated cenarios. The results in the real databases suggest that the proposed univariate class of categorization methods performs better than the existing methods when we compare the predictive power of the logistic regression model. The results in the simulated databases suggest that both proposed classes perform better than the existing methods. Regarding computational performance, the multivariate method is inferior and the univariate method is superior to the existing methods.

Submitted by Aelson Maciera (aelsoncm@terra.com.br) on 2017-08-16T20:00:07Z No. of bitstreams: 1 DissDMBS.pdf: 821487 bytes, checksum: 497fc9b102478d03042a1c3d10a45c19 (MD5) / Approved for entry into archive by Ronildo Prado (bco.producao.intelectual@gmail.com) on 2018-01-29T18:10:09Z (GMT) No. of bitstreams: 1 DissDMBS.pdf: 821487 bytes, checksum: 497fc9b102478d03042a1c3d10a45c19 (MD5) / Approved for entry into archive by Ronildo Prado (bco.producao.intelectual@gmail.com) on 2018-01-29T18:10:17Z (GMT) No. of bitstreams: 1 DissDMBS.pdf: 821487 bytes, checksum: 497fc9b102478d03042a1c3d10a45c19 (MD5) / Made available in DSpace on 2018-01-29T18:14:39Z (GMT). No. of bitstreams: 1 DissDMBS.pdf: 821487 bytes, checksum: 497fc9b102478d03042a1c3d10a45c19 (MD5) Previous issue date: 2017-06-13 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Regression models for binary response variables are very common in several areas of knowledge. The most used model in these situations is the logistic regression model, which assumes that the logit of the probability of a certain event is a linear function of the predictors variables. When this assumption is not reasonable, it is common to make some changes in the model, such as: transformation of predictor variables and/or add quadratic or cubic terms to the model. The problem with this approach is that it hinders parameter interpretation, and in some areas it is fundamental to interpret the parameters. Thus, a common approach is to categorize the quantitative covariates. This work aims to propose two new classes of categorization methods for continuous variables in binary regression models. The first class of methods is univariate and seeks to maximize the association between the response variable and the categorized covariate using measures of association for qualitative variables. The second class of methods is multivariate and incorporates the predictor variables correlation structure through the joint categorization of all covariates. To evaluate the performance, we applied the proposed methods and four existing categorization methods in 3 credit scoring databases and in two simulated cenarios. The results in the real databases suggest that the proposed univariate class of categorization methods performs better than the existing methods when we compare the predictive power of the logistic regression model. The results in the simulated databases suggest that both proposed classes perform better than the existing methods. Regarding computational performance, the multivariate method is inferior and the univariate method is superior to the existing methods. / Modelos de regressão para variáveis resposta binárias são muito comuns em diversas áreas do conhecimento. O modelo mais utilizado nessas situações é o modelo de regressão logística, que assume que o logito da probabilidade de ocorrência de um dos valores da variável resposta é uma função linear das variáveis preditoras. Quando essa suposição não é razoável, algumas possíveis alternativas são: realizar transformação das variáveis preditoras e/ou inserir termos quadráticos ou cúbicos no modelo. O problema dessa abordagem é que ela dificulta bastante a interpretação dos parâmetros do modelo e, em algumas áreas, é fundamental que eles sejam interpretáveis. Assim, uma abordagem muitas vezes utilizada é a categorização das variáveis preditoras quantitativas do modelo. Sendo assim, este trabalho tem como objetivo propor duas novas classes de métodos de categorização de variáveis contínuas em modelos de regressão para variáveis resposta binárias. A primeira classe de métodos é univariada e busca maximizar a associação entre a variável resposta e a covariável categorizada utilizando medidas de associação para variáveis qualitativas. Já a classe de métodos multivariada tenta incorporar a estrutura de dependência entre as covariáveis do modelo através da categorização conjunta de todas as variáveis preditoras. Para avaliar o desempenho, aplicamos as classes de métodos propostas e quatro métodos de categorização existentes em 3 bases de dados relacionadas à área de risco de crédito e a dois cenários de dados simulados. Os resultados nas bases reais sugerem que a classe univariada proposta têm um desempenho superior aos métodos existentes quando comparamos o poder preditivo do modelo de regressão logística. Já os resultados nas bases de dados simuladas sugerem que ambas as classes propostas possuem um desempenho superior aos métodos existentes. Em relação ao desempenho computacional, o método multivariado mostrou-se inferior e o univariado é superior aos métodos existentes.

Orientador: Célio F.B. Haddad / Resumo: Na última década houve um grande desenvolvimento nos Modelos de Distribuição de Espécies (MDE), com diversas aplicações na conservação da biodiversidade. No entanto, apesar dos avanços recentes, a seleção de variáveis preditoras tem sido relativamente negligenciada na construção dos MDE. Este procedimento deveria ser um dos passos cruciais do processo de modelagem, já que as variáveis preditoras estão relacionadas diretamente à capacidade dos modelos de capturar os requisitos ambientais das espécies. Neste contexto, os anfíbios são excelentes organismos modelo para avaliar a importância da seleção de variáveis preditoras ecologicamente significativas no MDE. Isto pode trazer avanços para a biogeografia e biologia da conservação, uma vez que os anfíbios são usados como bioindicadores da qualidade ambiental e da integridade de hábitat. A presente tese de doutorado teve como objetivo principal verificar o efeito da utilização de variáveis preditoras ecologicamente significativas no processo de modelagem dos anfíbios e posteriormente aplicar parte deste conhecimento na comunidade de anfíbios do Estado de São Paulo, visando verificar o potencial desta metodologia para identificar áreas de alto valor de riqueza de anfíbios e verificar também o potencial de invasão de Eleutherodactylus jonhstonei, uma espécie de anfíbio invasora registrada para o Estado de São Paulo. No primeiro capítulo avaliamos a importância da seleção de variáveis essenciais ao MDE usando os anfíbios como estudo... (Resumo completo, clicar acesso eletrônico abaixo) / Abstract: In the last decade there has been a great development in the Species Distribution Models (SDM), with several applications in conservation planning. However, despite recent advances, the selection of predictor variables has been relatively neglected in the construction of SDM. This methodological approach should be one of the critical steps of the modeling process, as the predictor variables are directly related to the ability of models to capture the environmental requirements of the species. In this context, amphibians are excellent model for assessing the importance of selecting ecologically meaningful variables in the SDM. This methodology may lead to advances in biogeography and conservation biology, since amphibians are used as bioindicators of environmental quality and habitat integrity. The aim of the work was to verify the effect of the use of ecologically meaningful variables in the amphibian modeling process and to apply part of this knowledge to the amphibian community of São Paulo state, checking the potential of this methodology to identify areas of high amphibian richness value and to verify the potential invasion of Eleutherodactylus jonhstonei, an invasive amphibian species registered in São Paulo state. In the first chapter we evaluated the importance of selecting essential variables in SDM using amphibians as a case study. The second chapter deals specifically with the amphibian modeling protocol of São Paulo state. The central focus of this chapter has been... (Complete abstract click electronic access below) / Doutor

Made available in DSpace on 2016-06-02T20:30:09Z (GMT). No. of bitstreams: 1 5826.pdf: 1477811 bytes, checksum: 7e98346cb582d2360d7e7ca4a0cb751a (MD5) Previous issue date: 2014-02-20 / Universidade Federal de Minas Gerais / School victimization may favor the occurrence of traumatic symptoms and Post Traumatic Stress Disorder (PTSD). This Doctoral Thesis had the following objectives: validate the American retrospective instrument Student Alienation and Trauma Survey - R (SATS-R), to Brazil, in terms of construct and content validity; characterize how violence is expressed at school, identifying the main types of violence, the worst school events experienced by students, the frequency and duration of these events, main perpetrators, as well as victims' characteristics (age, grade and type of school); investigate the occurrence of traumatic symptoms, especially PTSD, after the worst school experience; analyze the association between PTSD symptoms and variables associated with the worst school experience, and investigate the relationship between the explanatory variables (individual characteristics and aversive school experiences), and development of PTSD symptoms, using an ordinal logistic regression model. The study included 691 students (54.8% female and 45.2% male), of a public university in São Paulo State, Brazil, who responded to Portuguese versions of the Student Alienation and Trauma Survey-R (SATS-R) and the Post-Traumatic Stress Disorder Checklist - Civilian Version (PCL-C). In terms of content validity, the following procedures were conducted: translation, back-translation, semantic equivalence, instrument analysis by experts in the field, and a sample assessment of the target population; for construct validity, an exploratory factor analysis was conduct and Cronbach's alpha was calculated. The study results indicate the feasibility of using the instrument in the Brazilian context for research purposes. Frequency of victimization types reported by participants were: relational violence (at least one item reported by 85.2%); verbal violence (77.7%); physical violence (50.8%); unfair discipline (43.1%); property violence (33.4%); witnessing violence (27.9%); and sexual violence (21.4%). The most frequent types of worst school experiences described were: relational (35.7%), and verbal violence (27.4%). Girls experienced more episodes of verbal, relational and sexual violence, and boys experienced more physical violence and unfair discipline, and the aggressors were mostly male students. The mean age when these worst experiences occurred was 12.3 years, and although most events occurred at low frequency and with short duration, a considerable percentage of participants indicated a duration of "years", particularly in verbal and relational victimization cases. Most participants indicated that they were greatly bothered by their worst school experience, and 7.8% had PTSD symptons after experiencing this event. The percentage of participants with clinically significant scores on the subscales ranged from 4.7% (somatic symptoms) to 20% (hypervigilance), and described symptoms frequently in the literature, such as depression, hopelessness, cognitive difficulties and traumatic event recollection. Significant variables for the regression model were: age, duration and discomfort after the worst experience; relational violence; and verbal violence. In general, student who expressed the greatest discomfort, reported traumatic experiences that were longer in duration, occured when they were older, and the greater the number of verbal and relational victimization events experienced, the greater the possibility of presenting clinically significant symptoms of PTSD. Despite the limitations of the retrospective methodo, the study obtained interesting results which coincide with the literature, drawing attention to the long-term effects of school victimization. In addition, these results may contribute to the development of new research on the topic, as well as offering treatment parameters for victims who were traumatized in school, improving school violence prevention programs. / A vitimização escolar pode favorecer a ocorrência de sintomas traumáticos, como de Transtorno de Estresse Pós-Traumático (TEPT). A presente Tese de Doutorado teve os seguintes objetivos: buscar evidências de validade de conteúdo e de constructo do instrumento retrospectivo norte-americano Student Alienation and Trauma Survey R (SATS-R), para o Brasil; caracterizar como a violência se expressa na escola, identificando os principais tipos de violência, as piores experiências escolares vivenciadas por estudantes, a frequência e a duração desses eventos, os agressores principais, bem como as características das vítimas (idade, série e tipo de escola); investigar a ocorrência de sintomas traumáticos, principalmente TEPT, nos estudantes, após a vivência da pior experiência escolar; analisar a associação dos sintomas de TEPT a variáveis relacionadas à pior experiência escolar; e investigar o relacionamento de variáveis explicativas (características do indivíduo e das experiências escolares aversivas vivenciadas) e o desenvolvimento de sintomas de TEPT, por meio de um modelo de regressão logística ordinal. Participaram do estudo 691 estudantes (54,8% do sexo feminino e 45,2% do masculino), de uma universidade pública do interior do estado de São Paulo, que responderam a versões brasileiras dos instrumentos Student Alienation and Trauma Survey e Post-Traumatic Stress Disorder Checklist Civilian Version (PCL-C). Para a validação de conteúdo, foram feitas: tradução, retrotradução, equivalência semântica, análise do instrumento por profissionais da área e avaliação por amostra da população alvo; para a validação de constructo foi realizada análise fatorial exploratória e cálculo do alfa de Cronbach do instrumento. Os resultados do estudo apontaram para a viabilidade da utilização do instrumento no contexto brasileiro para fins de pesquisa. A frequência dos tipos de vitimização relatados pelos participantes foi: violência relacional (ao menos um item relatado por 85,2%), violência verbal (77,7%) violência física (50,8%), disciplina injusta (43,1%), violência contra o patrimônio (33,4%), presenciar violência (27,9%) e violência sexual (21,4%). Os tipos de piores experiências mais frequentes descritos foram violência relacional (35,7%) e verbal (27,4%). As meninas sofreram mais episódios de violência verbal, relacional e sexual e os meninos violência física e disciplina injusta, sendo que os agressores foram, em sua maioria, estudantes e do sexo masculino. A idade média de ocorrência das piores experiências foi 12,3 anos e, embora a maior parte dos eventos tenha ocorrido em baixa frequência e com curta duração, porcentagem considerável dos participantes apontou duração de anos nos casos de vitimização verbal e relacional, principalmente. A maior parte dos participantes apontou ter se incomodado muito com a pior experiência escolar, sendo que 7,8% apresentaram indicação de TEPT após a vivência dessa experiência. A porcentagem de participantes com escores clinicamente significativos nas subescalas variou de 4,7% (sintomas somáticos) a 20% (hipervigilância), sendo frequentes sintomas comumente descritos na literatura como depressão, desesperança, dificuldades cognitivas e rememoração do evento traumático. As variáveis significativas para o modelo de regressão realizado foram: idade, duração e incômodo após a pior experiência, violência relacional e violência verbal. De forma geral, quanto maior o incômodo do estudante, maior a duração da experiência, maior a idade e quanto mais eventos vivenciados de vitimização relacional e verbal, maior a possibilidade de apresentação de sintomas clinicamente significativos de TEPT. Apesar das limitações da metodologia retrospectiva, foram obtidos resultados interessantes que coincidem com a literatura, chamando a atenção para os efeitos a longo prazo da vitimização escolar. Além disso, o estudo pode contribuir para o desenvolvimento de novas pesquisas sobre o tema, bem como oferecer parâmetros de tratamento às vítimas que apresentem sintomas decorrentes de experiências traumáticas na escola, podendo aprimorar, também, programas de prevenção à violência escolar.