<font face="Default Sans Serif,Verdana,Arial,Helvetica,sans-serif" size="2"><div><span style="font-family: Calibri; font-size: medium;">Caros colegas, </span></div><div><div><font face="Calibri" size="3"><br></font></div><div><font face="Calibri" size="3">Na proxima sexta,  o Ciclo de Seminarios do DEST-UFMG, receberá  o prof. Marcos Prates, </font></div><div><font face="Calibri" size="3">nosso colega e depto </font><span style="font-family: Calibri; font-size: medium;">e atual presidente da ABE. Marcos esta regressando de um pos-doc na University of </span></div><div><font face="Calibri" size="3">Connecticut onde tambem fez seu doutorado. Desenvolve pesquisas em muitas areas</font></div><div><font face="Calibri" size="3">incluindo estatistica espacial, aprendizado de maquinas, MLG, entre outras.</font></div><div><font face="Calibri" size="3"><br></font></div><div><font size="3" face="Calibri">Informacoes completas  sobre o seminario encontram-se abaixo.</font></div><div><font size="3" face="Calibri"><br></font></div><div><font size="3" face="Calibri">nos vemos na sexta</font></div><div><font size="3" face="Calibri">Otima  semana a todos.</font></div><div><font size="3" face="Calibri">Rosangela</font></div><div><br></div><div>***PS: Titulo e Resumo</div><div><br></div><div><b><font size="3" face="Calibri">Spatial Confounding Beyond Generalized Linear Mixed Models: Extension to Shared Components and Spatial Frailty Models</font></b><div><font face="Calibri" size="3"><b>Marcos Prates (DEST- UFMG)</b><br><br></font></div><div><font face="Calibri" size="3">Spatial confounding is defined as the confounding between the fixed and spatial random effects in generalized linear mixed models (GLMMs). It gained attention in the past years, as it may generate unexpected results in modeling. We introduce solutions to alleviate the spatial confounding beyond GLMMs for two families of statistical models. In the shared component models, multiple count responses are recorded at each spatial location, which may exhibit similar spatial patterns. Therefore, the spatial effect terms may be shared between the outcomes in addition to specifics spatial patterns. Our proposal relies on the use of modified spatial structures for each shared component and specific effects. Spatial frailty models can incorporate spatially structured effects and it is common to observe more than one sample unit per area which means that the support of fixed and spatial effects differs. Thus, we introduce a projection-based approach for reducing the dimension of the data. An R package named "RASCO: An R package to Alleviate Spatial Confounding" is provided. Cases of lung and bronchus cancer in the state of California are investigated under both methodologies and the results prove the efficiency of the proposed methodology.<br><br></font><div><b><font face="Calibri" size="3">Data: 11 de dezembro de 2020</font></b></div><div><b><font face="Calibri" size="3">Horário:13:30</font></b></div><div><b><font face="Calibri" size="3">Canal  do Youtube: Video Conferencia do DEST</font></b></div><div><br style="font-size: small; font-family: "Default Sans Serif", Verdana, Arial, Helvetica, sans-serif;"></div></div></div></div><div></div></font>