Seleção de ordem em modelos GARMA : uma perspectiva bayesiana

Detalhes bibliográficos
Autor(a) principal: Lastra, Katerine Zuniga
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