A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Asymmetric Tobit Analysis for Correlation Estimation from Censored Data Análise Tobit Assimétrica para Estimativa de Correlação de Dados Censurados

HongYuan CAO, Tsuyoshi KATO

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

A contaminação dos recursos hídricos com microrganismos patogênicos excretados nas fezes humanas é um problema de saúde pública mundial. A vigilância da contaminação fecal é comumente realizada por monitoramento de rotina para um único tipo ou alguns tipos de microrganismo(s). Para conceber uma rotina viável de monitorização periódica e para controlar os riscos de exposição a agentes patogénicos, é necessário estabelecer algoritmos estatísticos fiáveis ​​para inferir correlações entre concentrações de microrganismos na água. Além disso, como os agentes patogénicos estão frequentemente presentes em baixas concentrações, é provável que algumas contaminações estejam abaixo do limite de detecção. Isso produz um conjunto de dados censurados à esquerda aos pares e complica o cálculo dos coeficientes de correlação. Os erros de estimativa de correlação podem ser menores se os valores não detectados forem melhor imputados. Para obter melhores imputações, utilizamos informações secundárias e desenvolvemos uma nova técnica, a modelo Tobit assimétrico que é uma extensão do modelo Tobit para que o conhecimento do domínio possa ser explorado de forma eficaz ao ajustar o modelo a um conjunto de dados censurado. Os resultados empíricos demonstram que a imputação com conhecimento de domínio é eficaz para esta tarefa.

Publicação
IEICE TRANSACTIONS on Information Vol.E104-D No.10 pp.1632-1639
Data de publicação
2021/10/01
Publicitada
2021/07/19
ISSN online
1745-1361
DOI
10.1587/transinf.2021EDP7022
Tipo de Manuscrito
PAPER
Categoria
Inteligência Artificial, Mineração de Dados

autores

HongYuan CAO
  Gunma University
Tsuyoshi KATO
  Gunma University

Palavra-chave