MODELOS VETORIAIS AUTO-REGRESSIVOS COM TRANSIÇÃO SUAVE ESTRUTURADOS POR ÁRVORES - STVAR - TREE
Autor(a) principal: | |
---|---|
Data de Publicação: | 2009 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da PUC-RIO (Projeto Maxwell) |
Texto Completo: | https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=15888@1 https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=15888@2 |
Resumo: | Esta dissertação tem como objetivo principal introduzir uma formulação de modelo não-linear multivariado, a qual combina o modelo STVAR (Smooth Transition Vector Autoregressive) com a metodologia CART (Classification and Regression Tree) a fim de utilizá-lo para geração de cenários e de previsões. O modelo resultante é um Modelo Vetorial Auto-Regressivo com Transição Suave Estruturado por Árvores, denominado STVAR-Tree e tem como base o conceito de múltiplos regimes, definidos por árvore binária. A especificação do modelo é feita através do teste LM. Desta forma, o crescimento da árvore é condicionado à existência de não-linearidade nas séries, que aponta a divisão do nó e a variável de transição correspondente. Em cada divisão, são estimados os parâmetros lineares, por Mínimos Quadrados Multivariados, e os parâmetros não-lineares, por Mínimos Quadrados Não-Lineares. Como forma de avaliação do modelo STVARTree, foram realizados diversos experimentos de Monte Carlo com o objetivo de constatar a funcionalidade tanto do teste LM quanto da estimação do modelo. Bons resultados foram obtidos para amostras médias e grandes. Além dos experimentos, o modelo STVAR-Tree foi aplicado às séries brasileiras de Vazão de Rios e Preço Spot de energia elétrica. No primeiro estudo, o modelo foi comparado estatisticamente com o Periodic Autoregressive (PAR) e apresentou um desempenho muito superior ao concorrente. No segundo caso, a comparação foi com a modelagem Neuro-Fuzzy e ganhou em uma das quatro séries. Somando os resultados dos experimentos e das duas aplicações conclui-se que o modelo STVAR-Tree pode ser utilizado na solução de problemas reais, apresentando bom desempenho. |
id |
PUC_RIO-1_7152ba5495cf688c7010f4a95f77fb40 |
---|---|
oai_identifier_str |
oai:MAXWELL.puc-rio.br:15888 |
network_acronym_str |
PUC_RIO-1 |
network_name_str |
Repositório Institucional da PUC-RIO (Projeto Maxwell) |
repository_id_str |
534 |
spelling |
info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisMODELOS VETORIAIS AUTO-REGRESSIVOS COM TRANSIÇÃO SUAVE ESTRUTURADOS POR ÁRVORES - STVAR - TREE TREE-STRUCTURE SMOOTH TRANSITION VECTOR AUTOREGRESSIVE MODELS – STVAR-TREE 2009-09-11ALVARO DE LIMA VEIGA FILHO48345644791lattes.cnpq.br/8855081325345654ALVARO DE LIMA VEIGA FILHOREINALDO CASTRO SOUZAREINALDO CASTRO SOUZAJOEL MAURICIO CORREA DA ROSAJOEL MAURICIO CORREA DA ROSAALEXANDRE JOSE DOS SANTOSPONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIROPPG EM ENGENHARIA ELÉTRICAPUC-RioBREsta dissertação tem como objetivo principal introduzir uma formulação de modelo não-linear multivariado, a qual combina o modelo STVAR (Smooth Transition Vector Autoregressive) com a metodologia CART (Classification and Regression Tree) a fim de utilizá-lo para geração de cenários e de previsões. O modelo resultante é um Modelo Vetorial Auto-Regressivo com Transição Suave Estruturado por Árvores, denominado STVAR-Tree e tem como base o conceito de múltiplos regimes, definidos por árvore binária. A especificação do modelo é feita através do teste LM. Desta forma, o crescimento da árvore é condicionado à existência de não-linearidade nas séries, que aponta a divisão do nó e a variável de transição correspondente. Em cada divisão, são estimados os parâmetros lineares, por Mínimos Quadrados Multivariados, e os parâmetros não-lineares, por Mínimos Quadrados Não-Lineares. Como forma de avaliação do modelo STVARTree, foram realizados diversos experimentos de Monte Carlo com o objetivo de constatar a funcionalidade tanto do teste LM quanto da estimação do modelo. Bons resultados foram obtidos para amostras médias e grandes. Além dos experimentos, o modelo STVAR-Tree foi aplicado às séries brasileiras de Vazão de Rios e Preço Spot de energia elétrica. No primeiro estudo, o modelo foi comparado estatisticamente com o Periodic Autoregressive (PAR) e apresentou um desempenho muito superior ao concorrente. No segundo caso, a comparação foi com a modelagem Neuro-Fuzzy e ganhou em uma das quatro séries. Somando os resultados dos experimentos e das duas aplicações conclui-se que o modelo STVAR-Tree pode ser utilizado na solução de problemas reais, apresentando bom desempenho.The main goal of the dissertation is to introduce a nonlinear multivariate model, which combines the model STVAR (Smooth Transition Vector Autoregressive) with the CART (Classification and Regression Tree) method and use it for generating scenarios and forecasting. The resulting model is a Tree- Structured Vector Autoregressive model with Smooth Transition, called STVARTree, which is based on the concept of multiple regimes, defined by binary tree. The model specification is based on Lagrange Multiplier tests. Thus, the growth of the tree is conditioned on the existence of nonlinearity in the time series, which indicates the node to be split and the corresponding transition variable. In each division, linear parameters are estimated by Multivariate Least Squares, and nonlinear parameters by Non-Linear Least Squares. As a way of checking the STVAR-Tree model, several Monte Carlo experiments were performed in order to see the functionality of both the LM test and the model estimation. Best results were obtained with medium and large samples. Besides, the STVAR-Tree model was applied to Brazilian time series of Rivers Flow and electricity spot price. In the first study, the model was statistically compared to the Periodic Autoregressive (PAR) model and had a much higher performance than the competitor. In the second case, the model comparison was with Neural-Fuzzy Modeling and the STVAR-Tree model won in one of the four series. Adding both the experiments and the two applications results we conclude that the STVARTree model may be applied to solve real problems, having good results.COORDENAÇÃO DE APERFEIÇOAMENTO DO PESSOAL DE ENSINO SUPERIORhttps://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=15888@1https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=15888@2porreponame:Repositório Institucional da PUC-RIO (Projeto Maxwell)instname:Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)instacron:PUC_RIOinfo:eu-repo/semantics/openAccess2022-11-01T13:09:15Zoai:MAXWELL.puc-rio.br:15888Repositório InstitucionalPRIhttps://www.maxwell.vrac.puc-rio.br/ibict.phpopendoar:5342018-10-24T00:00Repositório Institucional da PUC-RIO (Projeto Maxwell) - Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)false |
dc.title.pt.fl_str_mv |
MODELOS VETORIAIS AUTO-REGRESSIVOS COM TRANSIÇÃO SUAVE ESTRUTURADOS POR ÁRVORES - STVAR - TREE |
dc.title.alternative.en.fl_str_mv |
TREE-STRUCTURE SMOOTH TRANSITION VECTOR AUTOREGRESSIVE MODELS – STVAR-TREE |
title |
MODELOS VETORIAIS AUTO-REGRESSIVOS COM TRANSIÇÃO SUAVE ESTRUTURADOS POR ÁRVORES - STVAR - TREE |
spellingShingle |
MODELOS VETORIAIS AUTO-REGRESSIVOS COM TRANSIÇÃO SUAVE ESTRUTURADOS POR ÁRVORES - STVAR - TREE ALEXANDRE JOSE DOS SANTOS |
title_short |
MODELOS VETORIAIS AUTO-REGRESSIVOS COM TRANSIÇÃO SUAVE ESTRUTURADOS POR ÁRVORES - STVAR - TREE |
title_full |
MODELOS VETORIAIS AUTO-REGRESSIVOS COM TRANSIÇÃO SUAVE ESTRUTURADOS POR ÁRVORES - STVAR - TREE |
title_fullStr |
MODELOS VETORIAIS AUTO-REGRESSIVOS COM TRANSIÇÃO SUAVE ESTRUTURADOS POR ÁRVORES - STVAR - TREE |
title_full_unstemmed |
MODELOS VETORIAIS AUTO-REGRESSIVOS COM TRANSIÇÃO SUAVE ESTRUTURADOS POR ÁRVORES - STVAR - TREE |
title_sort |
MODELOS VETORIAIS AUTO-REGRESSIVOS COM TRANSIÇÃO SUAVE ESTRUTURADOS POR ÁRVORES - STVAR - TREE |
dc.creator.ID.none.fl_str_mv |
|
dc.creator.Lattes.none.fl_str_mv |
|
author |
ALEXANDRE JOSE DOS SANTOS |
author_facet |
ALEXANDRE JOSE DOS SANTOS |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
ALVARO DE LIMA VEIGA FILHO |
dc.contributor.advisor1ID.fl_str_mv |
48345644791 |
dc.contributor.advisor1Lattes.fl_str_mv |
lattes.cnpq.br/8855081325345654 |
dc.contributor.referee1.fl_str_mv |
ALVARO DE LIMA VEIGA FILHO |
dc.contributor.referee2.fl_str_mv |
REINALDO CASTRO SOUZA |
dc.contributor.referee3.fl_str_mv |
REINALDO CASTRO SOUZA |
dc.contributor.referee4.fl_str_mv |
JOEL MAURICIO CORREA DA ROSA |
dc.contributor.referee5.fl_str_mv |
JOEL MAURICIO CORREA DA ROSA |
dc.contributor.author.fl_str_mv |
ALEXANDRE JOSE DOS SANTOS |
contributor_str_mv |
ALVARO DE LIMA VEIGA FILHO ALVARO DE LIMA VEIGA FILHO REINALDO CASTRO SOUZA REINALDO CASTRO SOUZA JOEL MAURICIO CORREA DA ROSA JOEL MAURICIO CORREA DA ROSA |
description |
Esta dissertação tem como objetivo principal introduzir uma formulação de modelo não-linear multivariado, a qual combina o modelo STVAR (Smooth Transition Vector Autoregressive) com a metodologia CART (Classification and Regression Tree) a fim de utilizá-lo para geração de cenários e de previsões. O modelo resultante é um Modelo Vetorial Auto-Regressivo com Transição Suave Estruturado por Árvores, denominado STVAR-Tree e tem como base o conceito de múltiplos regimes, definidos por árvore binária. A especificação do modelo é feita através do teste LM. Desta forma, o crescimento da árvore é condicionado à existência de não-linearidade nas séries, que aponta a divisão do nó e a variável de transição correspondente. Em cada divisão, são estimados os parâmetros lineares, por Mínimos Quadrados Multivariados, e os parâmetros não-lineares, por Mínimos Quadrados Não-Lineares. Como forma de avaliação do modelo STVARTree, foram realizados diversos experimentos de Monte Carlo com o objetivo de constatar a funcionalidade tanto do teste LM quanto da estimação do modelo. Bons resultados foram obtidos para amostras médias e grandes. Além dos experimentos, o modelo STVAR-Tree foi aplicado às séries brasileiras de Vazão de Rios e Preço Spot de energia elétrica. No primeiro estudo, o modelo foi comparado estatisticamente com o Periodic Autoregressive (PAR) e apresentou um desempenho muito superior ao concorrente. No segundo caso, a comparação foi com a modelagem Neuro-Fuzzy e ganhou em uma das quatro séries. Somando os resultados dos experimentos e das duas aplicações conclui-se que o modelo STVAR-Tree pode ser utilizado na solução de problemas reais, apresentando bom desempenho. |
publishDate |
2009 |
dc.date.issued.fl_str_mv |
2009-09-11 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=15888@1 https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=15888@2 |
url |
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=15888@1 https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=15888@2 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO |
dc.publisher.program.fl_str_mv |
PPG EM ENGENHARIA ELÉTRICA |
dc.publisher.initials.fl_str_mv |
PUC-Rio |
dc.publisher.country.fl_str_mv |
BR |
publisher.none.fl_str_mv |
PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da PUC-RIO (Projeto Maxwell) instname:Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO) instacron:PUC_RIO |
instname_str |
Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO) |
instacron_str |
PUC_RIO |
institution |
PUC_RIO |
reponame_str |
Repositório Institucional da PUC-RIO (Projeto Maxwell) |
collection |
Repositório Institucional da PUC-RIO (Projeto Maxwell) |
repository.name.fl_str_mv |
Repositório Institucional da PUC-RIO (Projeto Maxwell) - Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO) |
repository.mail.fl_str_mv |
|
_version_ |
1748324906007789568 |