Seleção de ordem em modelos GARMA : uma perspectiva bayesiana
Autor(a) principal: | |
---|---|
Data de Publicação: | 2024 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da UFRGS |
Texto Completo: | http://hdl.handle.net/10183/276844 |
Resumo: | A estimação de modelos autorregressivos de média móvel generalizados (GARMA) baseia-se predominantemente em métodos frequentistas, principalmente naqueles baseados em verossimilhança. Em contraste, abordagens Bayesianas têm sido menos exploradas e utilizadas na literatura. No que diz respeito aos modelos GARMA de contagem, a estimação Bayesiana vem ganhando reconhecimento por seus resultados promissores. No entanto, a seleção do modelo nesse contexto frequentemente se baseia na utilização de critérios de informação. Apesar de sua prevalência, é sabido que critérios de informação Bayesianos no contexto de modelos GARMA apresentam resultados desanimadores em simulações, o que desestimula o seu uso em aplicações. Isso é particularmente verdadeiro quando se trata da habilidade de identificar corretamente modelos, mesmo com amostras de tamanho grande. Neste trabalho abordamos o problema de seleção da ordem em modelos GARMA para séries temporais de contagem sob a perspectiva Bayesiana, através da utilização da abordagem conhecida como Reversible Jump Markov Chain Monte Carlo (RJMCMC). Além de discutir detalhes da abordagem RJMCMC no contexto de modelos GARMA de contagem, apresentamos um estudo de simulações para verificar seu desempenho em amostras finitas, considerando vários modelos GARMA, sob diversos cenários. Apresentamos ainda uma análise de sensibilidade com relação a escolha das prioris utilizadas, comparando com os critérios de informação. Para ilustrar a aplicação da abordagem proposta, são utilizados dados de produção automobilística no Brasil de janeiro de 1993 a dezembro de 2013. |
id |
URGS_70018f1dd427c7465a53cf482e53b9b7 |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/276844 |
network_acronym_str |
URGS |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UFRGS |
repository_id_str |
1853 |
spelling |
Lastra, Katerine ZunigaPumi, GuilhermePrass, Taiane Schaedler2024-08-02T06:27:48Z2024http://hdl.handle.net/10183/276844001207346A estimação de modelos autorregressivos de média móvel generalizados (GARMA) baseia-se predominantemente em métodos frequentistas, principalmente naqueles baseados em verossimilhança. Em contraste, abordagens Bayesianas têm sido menos exploradas e utilizadas na literatura. No que diz respeito aos modelos GARMA de contagem, a estimação Bayesiana vem ganhando reconhecimento por seus resultados promissores. No entanto, a seleção do modelo nesse contexto frequentemente se baseia na utilização de critérios de informação. Apesar de sua prevalência, é sabido que critérios de informação Bayesianos no contexto de modelos GARMA apresentam resultados desanimadores em simulações, o que desestimula o seu uso em aplicações. Isso é particularmente verdadeiro quando se trata da habilidade de identificar corretamente modelos, mesmo com amostras de tamanho grande. Neste trabalho abordamos o problema de seleção da ordem em modelos GARMA para séries temporais de contagem sob a perspectiva Bayesiana, através da utilização da abordagem conhecida como Reversible Jump Markov Chain Monte Carlo (RJMCMC). Além de discutir detalhes da abordagem RJMCMC no contexto de modelos GARMA de contagem, apresentamos um estudo de simulações para verificar seu desempenho em amostras finitas, considerando vários modelos GARMA, sob diversos cenários. Apresentamos ainda uma análise de sensibilidade com relação a escolha das prioris utilizadas, comparando com os critérios de informação. Para ilustrar a aplicação da abordagem proposta, são utilizados dados de produção automobilística no Brasil de janeiro de 1993 a dezembro de 2013.Estimation in GARMA models has traditionally been carried out under the frequentist approach. To date, Bayesian approaches for such estimation have been relatively limited. In the context of GARMA models for count time series, Bayesian estimation achieves satisfactory results in terms of point estimation. Model selection in this context often relies on the use of information criteria. Despite its prominence in the literature, the use of information criteria for model selection in GARMA models for count time series have been shown to present poor performance in simulations, especially in terms of their ability to correctly identify models, even under large sample sizes. In this study, we study the problem of order selection in GARMA models for count time series, adopting a Bayesian perspective through the application of the Reversible Jump Markov Chain Monte Carlo approach. Monte Carlo simulation studies are conducted to assess the finite sample performance of the developed ideas, including point and interval inference, sensitivity analysis, effects of burn-in and thinning, as well as the choice of related priors and hyperparameters. An application to the time series of automobile production in Brazil is presented, showcasing the method’s capabilities and exploring further its flexibility.application/pdfporSéries temporaisModelos de regressãoAnálise bayesianaCadeias de MarkovCount time seriesRegression modelsBayesian analysisReversible jump Markov ChainSeleção de ordem em modelos GARMA : uma perspectiva bayesianaOrder selection in GARMA models for count time series : a Bayesian perspectiveinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal do Rio Grande do SulInstituto de Matemática e EstatísticaPrograma de Pós-Graduação em EstatísticaPorto Alegre, BR-RS2024mestradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001207346.pdf.txt001207346.pdf.txtExtracted Texttext/plain115324http://www.lume.ufrgs.br/bitstream/10183/276844/2/001207346.pdf.txt278cee0c777aaf467af036d940b22e31MD52ORIGINAL001207346.pdfTexto completoapplication/pdf813904http://www.lume.ufrgs.br/bitstream/10183/276844/1/001207346.pdfe2e58e1fb8594c87ba44ecc153a13f62MD5110183/2768442024-08-03 06:32:05.371786oai:www.lume.ufrgs.br:10183/276844Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532024-08-03T09:32:05Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Seleção de ordem em modelos GARMA : uma perspectiva bayesiana |
dc.title.alternative.en.fl_str_mv |
Order selection in GARMA models for count time series : a Bayesian perspective |
title |
Seleção de ordem em modelos GARMA : uma perspectiva bayesiana |
spellingShingle |
Seleção de ordem em modelos GARMA : uma perspectiva bayesiana Lastra, Katerine Zuniga Séries temporais Modelos de regressão Análise bayesiana Cadeias de Markov Count time series Regression models Bayesian analysis Reversible jump Markov Chain |
title_short |
Seleção de ordem em modelos GARMA : uma perspectiva bayesiana |
title_full |
Seleção de ordem em modelos GARMA : uma perspectiva bayesiana |
title_fullStr |
Seleção de ordem em modelos GARMA : uma perspectiva bayesiana |
title_full_unstemmed |
Seleção de ordem em modelos GARMA : uma perspectiva bayesiana |
title_sort |
Seleção de ordem em modelos GARMA : uma perspectiva bayesiana |
author |
Lastra, Katerine Zuniga |
author_facet |
Lastra, Katerine Zuniga |
author_role |
author |
dc.contributor.author.fl_str_mv |
Lastra, Katerine Zuniga |
dc.contributor.advisor1.fl_str_mv |
Pumi, Guilherme |
dc.contributor.advisor-co1.fl_str_mv |
Prass, Taiane Schaedler |
contributor_str_mv |
Pumi, Guilherme Prass, Taiane Schaedler |
dc.subject.por.fl_str_mv |
Séries temporais Modelos de regressão Análise bayesiana Cadeias de Markov |
topic |
Séries temporais Modelos de regressão Análise bayesiana Cadeias de Markov Count time series Regression models Bayesian analysis Reversible jump Markov Chain |
dc.subject.eng.fl_str_mv |
Count time series Regression models Bayesian analysis Reversible jump Markov Chain |
description |
A estimação de modelos autorregressivos de média móvel generalizados (GARMA) baseia-se predominantemente em métodos frequentistas, principalmente naqueles baseados em verossimilhança. Em contraste, abordagens Bayesianas têm sido menos exploradas e utilizadas na literatura. No que diz respeito aos modelos GARMA de contagem, a estimação Bayesiana vem ganhando reconhecimento por seus resultados promissores. No entanto, a seleção do modelo nesse contexto frequentemente se baseia na utilização de critérios de informação. Apesar de sua prevalência, é sabido que critérios de informação Bayesianos no contexto de modelos GARMA apresentam resultados desanimadores em simulações, o que desestimula o seu uso em aplicações. Isso é particularmente verdadeiro quando se trata da habilidade de identificar corretamente modelos, mesmo com amostras de tamanho grande. Neste trabalho abordamos o problema de seleção da ordem em modelos GARMA para séries temporais de contagem sob a perspectiva Bayesiana, através da utilização da abordagem conhecida como Reversible Jump Markov Chain Monte Carlo (RJMCMC). Além de discutir detalhes da abordagem RJMCMC no contexto de modelos GARMA de contagem, apresentamos um estudo de simulações para verificar seu desempenho em amostras finitas, considerando vários modelos GARMA, sob diversos cenários. Apresentamos ainda uma análise de sensibilidade com relação a escolha das prioris utilizadas, comparando com os critérios de informação. Para ilustrar a aplicação da abordagem proposta, são utilizados dados de produção automobilística no Brasil de janeiro de 1993 a dezembro de 2013. |
publishDate |
2024 |
dc.date.accessioned.fl_str_mv |
2024-08-02T06:27:48Z |
dc.date.issued.fl_str_mv |
2024 |
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/10183/276844 |
dc.identifier.nrb.pt_BR.fl_str_mv |
001207346 |
url |
http://hdl.handle.net/10183/276844 |
identifier_str_mv |
001207346 |
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.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UFRGS instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UFRGS |
collection |
Biblioteca Digital de Teses e Dissertações da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/276844/2/001207346.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/276844/1/001207346.pdf |
bitstream.checksum.fl_str_mv |
278cee0c777aaf467af036d940b22e31 e2e58e1fb8594c87ba44ecc153a13f62 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
lume@ufrgs.br||lume@ufrgs.br |
_version_ |
1810085647545794560 |