Inuência do número de partículas na estimação de parâmetros via máxima verossimilhança em modelos de espaço de estados

Detalhes bibliográficos
Autor(a) principal: Rodolfo Santos Nunes Rodrigues
Data de Publicação: 2018
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFMG
Texto Completo: http://hdl.handle.net/1843/BUOS-AZGLPH
Resumo: State space models are widely used to model various problems in the areas of economics and biology, so inferences, such as parameter estimation, for this class of models are important. For these cases, the algorithms of class of particle lters are able to solve questions related to non-linear and non-Gaussian models. Poyiadjis et al. (2011) proposes two versions of algorithms of this class for the parameter estimation in state space models. One version has linear computational complexity in the number of particles and the variance of the estimates that increases quadratically over time. The other one has a quadratic computational cost and variance of the estimates increases linear through time. Based on this results, Nemeth et al.(2016) presents a new version, using the kernel density methods and Rao-Blackwellisation, in which the variance of estimates and the computational complexity are linear. Therefore, in this paper, we analyze the inuence of the number of particles in this last version and we obtain an ideal number of particles to be used for the parameter estimation in state space models, for example, autoregressive model, stochastic volatility model, and Poisson model. Finally, we use a bootstrap lter version to compare with the model shown by Nemeth et al. (2016)
id UFMG_69729e061bc0f41c86465a3206a8076a
oai_identifier_str oai:repositorio.ufmg.br:1843/BUOS-AZGLPH
network_acronym_str UFMG
network_name_str Repositório Institucional da UFMG
repository_id_str
spelling Inuência do número de partículas na estimação de parâmetros via máxima verossimilhança em modelos de espaço de estadosEstimação de parâmetrosFiltro de partículasModelo de espaço de estadosNúmero de partículasEstatisticaAnálise de variânciaTeoria da estimativaState space models are widely used to model various problems in the areas of economics and biology, so inferences, such as parameter estimation, for this class of models are important. For these cases, the algorithms of class of particle lters are able to solve questions related to non-linear and non-Gaussian models. Poyiadjis et al. (2011) proposes two versions of algorithms of this class for the parameter estimation in state space models. One version has linear computational complexity in the number of particles and the variance of the estimates that increases quadratically over time. The other one has a quadratic computational cost and variance of the estimates increases linear through time. Based on this results, Nemeth et al.(2016) presents a new version, using the kernel density methods and Rao-Blackwellisation, in which the variance of estimates and the computational complexity are linear. Therefore, in this paper, we analyze the inuence of the number of particles in this last version and we obtain an ideal number of particles to be used for the parameter estimation in state space models, for example, autoregressive model, stochastic volatility model, and Poisson model. Finally, we use a bootstrap lter version to compare with the model shown by Nemeth et al. (2016)Modelos de espaço de estados são muito utilizados para modelar diversos problemas nas áreas de economia e biologia, por isso a realização de inferências, como, por exemplo, a estimação de parâmetros, para essa classe de modelos é importante. Para esses casos, os algoritmos da classe dos ltros de partículas são capazes de resolver questões relacionadas aos modelos não lineares e não gaussianos. Poyiadjisetal.(2011) propõe duas versões de algoritmos dessa classe para a estimação de parâmetros em modelos de espaço de estados. Uma versão tem complexidade computacional linear no número de partículas e a variância da estimativa cresce quadraticamente com o tempo. A outra versão tem custo computacional quadrático e a variância da estimativa linear. Com base nisso, Nemeth et al. (2016) apresenta uma nova versão, com a utilização de métodos de densidade de kernel e Rao-Blackwell, em que a variância da estimativa e a complexidade computacional são lineares. Neste trabalho, portanto, analisamos a inuência do número de partículas nessa última versão e obtemos um número ideal de partículas a ser utilizado para a estimação de parâmetros em modelos de espaço de estado, como, por exemplo, autorregressivo, de volatilidade estocástica e Poisson, por m, utilizamos ainda uma versão com ltro bootstrap para comparar com a proposta apresentada por Nemeth et al. (2016)Universidade Federal de Minas GeraisUFMGLuiz Henrique DuczmalFelipe Carvalho Alvares da SilvaFelipe Carvalho Alvares da SilvaSokol NdrecaThiago Rezende dos SantosDenise Burgarelli DuczmalRodolfo Santos Nunes Rodrigues2019-08-10T08:59:42Z2019-08-10T08:59:42Z2018-03-09info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/1843/BUOS-AZGLPHinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMG2019-11-14T08:16:19Zoai:repositorio.ufmg.br:1843/BUOS-AZGLPHRepositório InstitucionalPUBhttps://repositorio.ufmg.br/oairepositorio@ufmg.bropendoar:2019-11-14T08:16:19Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false
dc.title.none.fl_str_mv Inuência do número de partículas na estimação de parâmetros via máxima verossimilhança em modelos de espaço de estados
title Inuência do número de partículas na estimação de parâmetros via máxima verossimilhança em modelos de espaço de estados
spellingShingle Inuência do número de partículas na estimação de parâmetros via máxima verossimilhança em modelos de espaço de estados
Rodolfo Santos Nunes Rodrigues
Estimação de parâmetros
Filtro de partículas
Modelo de espaço de estados
Número de partículas
Estatistica
Análise de variância
Teoria da estimativa
title_short Inuência do número de partículas na estimação de parâmetros via máxima verossimilhança em modelos de espaço de estados
title_full Inuência do número de partículas na estimação de parâmetros via máxima verossimilhança em modelos de espaço de estados
title_fullStr Inuência do número de partículas na estimação de parâmetros via máxima verossimilhança em modelos de espaço de estados
title_full_unstemmed Inuência do número de partículas na estimação de parâmetros via máxima verossimilhança em modelos de espaço de estados
title_sort Inuência do número de partículas na estimação de parâmetros via máxima verossimilhança em modelos de espaço de estados
author Rodolfo Santos Nunes Rodrigues
author_facet Rodolfo Santos Nunes Rodrigues
author_role author
dc.contributor.none.fl_str_mv Luiz Henrique Duczmal
Felipe Carvalho Alvares da Silva
Felipe Carvalho Alvares da Silva
Sokol Ndreca
Thiago Rezende dos Santos
Denise Burgarelli Duczmal
dc.contributor.author.fl_str_mv Rodolfo Santos Nunes Rodrigues
dc.subject.por.fl_str_mv Estimação de parâmetros
Filtro de partículas
Modelo de espaço de estados
Número de partículas
Estatistica
Análise de variância
Teoria da estimativa
topic Estimação de parâmetros
Filtro de partículas
Modelo de espaço de estados
Número de partículas
Estatistica
Análise de variância
Teoria da estimativa
description State space models are widely used to model various problems in the areas of economics and biology, so inferences, such as parameter estimation, for this class of models are important. For these cases, the algorithms of class of particle lters are able to solve questions related to non-linear and non-Gaussian models. Poyiadjis et al. (2011) proposes two versions of algorithms of this class for the parameter estimation in state space models. One version has linear computational complexity in the number of particles and the variance of the estimates that increases quadratically over time. The other one has a quadratic computational cost and variance of the estimates increases linear through time. Based on this results, Nemeth et al.(2016) presents a new version, using the kernel density methods and Rao-Blackwellisation, in which the variance of estimates and the computational complexity are linear. Therefore, in this paper, we analyze the inuence of the number of particles in this last version and we obtain an ideal number of particles to be used for the parameter estimation in state space models, for example, autoregressive model, stochastic volatility model, and Poisson model. Finally, we use a bootstrap lter version to compare with the model shown by Nemeth et al. (2016)
publishDate 2018
dc.date.none.fl_str_mv 2018-03-09
2019-08-10T08:59:42Z
2019-08-10T08:59:42Z
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 http://hdl.handle.net/1843/BUOS-AZGLPH
url http://hdl.handle.net/1843/BUOS-AZGLPH
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.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal de Minas Gerais
UFMG
publisher.none.fl_str_mv Universidade Federal de Minas Gerais
UFMG
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFMG
instname:Universidade Federal de Minas Gerais (UFMG)
instacron:UFMG
instname_str Universidade Federal de Minas Gerais (UFMG)
instacron_str UFMG
institution UFMG
reponame_str Repositório Institucional da UFMG
collection Repositório Institucional da UFMG
repository.name.fl_str_mv Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)
repository.mail.fl_str_mv repositorio@ufmg.br
_version_ 1823248292325097472

Registros relacionados