Modelo Kumaraswamy inflacionado autorregressivo de médias móveis com aplicações em dados hidroambientais

Detalhes bibliográficos
Autor(a) principal: Rosa, Camila Malu da
Data de Publicação: 2023
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da UFRGS
Texto Completo: http://hdl.handle.net/10183/275990
Resumo: Neste trabalho, propomos o modelo Kumaraswamy inflacionado autorregressivo e de médias móveis (IKARMA), uma classe de modelos dinâmicos para séries temporais que assumem valores em [0, 1) ou (0, 1]. Para isso, supõe-se que a variável dependente assume, condicionalmente ao conjunto de observações passadas, distribuição Kumaraswamy inflacionada (KI). A distribuição KI é obtida a partir de uma mistura de distribuições, encampando uma distribuição discreta (Bernoulli) e outra contínua (Kumaraswamy). Como é amplamente conhecido na literatura, a família de distribuiçãoo Kumaraswamy é muito útil para modelar dados hidroambientais e de áreas afins. No modelo proposto, o componente aleatório segue distribuição KI, enquanto a parte determinística considera duas estruturas dinâmicas, uma para a mediana condicional e outra para o parâmetro de mistura, sendo esta última simples e parcimoniosa. A estrutura dinâmica utilizada para mediana condicional abriga dinâmicas autorregressiva e de médias móveis e permite a inclusão de um conjunto de regressores. Após revisar a literatura e apresentar o modelo proposto, discutimos procedimentos inferenciais sobre os parâmetros do modelo via máxima verossimilhança condicional. Expressões explícitas para o vetor escore condicional e a matriz de informação de Fisher condicional são apresentadas. Algumas ferramentas de diagnóstico e previsão também são propostas. Resultados de simulações de Monte Carlo realizadas para avaliar o desempenho das inferências em amostras de tamanho finito são apresentados. Por fim, duas aplicações empíricas relacionadas a dados hidroambientais reais são apresentadas e discutidas.
id URGS_ac9b3a2e33abc87f20088b1386155636
oai_identifier_str oai:www.lume.ufrgs.br:10183/275990
network_acronym_str URGS
network_name_str Biblioteca Digital de Teses e Dissertações da UFRGS
repository_id_str 1853
spelling Rosa, Camila Malu daBayer, Fábio MarianoCribari-Neto, Francisco2024-07-03T05:46:56Z2023http://hdl.handle.net/10183/275990001170213Neste trabalho, propomos o modelo Kumaraswamy inflacionado autorregressivo e de médias móveis (IKARMA), uma classe de modelos dinâmicos para séries temporais que assumem valores em [0, 1) ou (0, 1]. Para isso, supõe-se que a variável dependente assume, condicionalmente ao conjunto de observações passadas, distribuição Kumaraswamy inflacionada (KI). A distribuição KI é obtida a partir de uma mistura de distribuições, encampando uma distribuição discreta (Bernoulli) e outra contínua (Kumaraswamy). Como é amplamente conhecido na literatura, a família de distribuiçãoo Kumaraswamy é muito útil para modelar dados hidroambientais e de áreas afins. No modelo proposto, o componente aleatório segue distribuição KI, enquanto a parte determinística considera duas estruturas dinâmicas, uma para a mediana condicional e outra para o parâmetro de mistura, sendo esta última simples e parcimoniosa. A estrutura dinâmica utilizada para mediana condicional abriga dinâmicas autorregressiva e de médias móveis e permite a inclusão de um conjunto de regressores. Após revisar a literatura e apresentar o modelo proposto, discutimos procedimentos inferenciais sobre os parâmetros do modelo via máxima verossimilhança condicional. Expressões explícitas para o vetor escore condicional e a matriz de informação de Fisher condicional são apresentadas. Algumas ferramentas de diagnóstico e previsão também são propostas. Resultados de simulações de Monte Carlo realizadas para avaliar o desempenho das inferências em amostras de tamanho finito são apresentados. Por fim, duas aplicações empíricas relacionadas a dados hidroambientais reais são apresentadas e discutidas.In this work, we propose the inflated Kumaraswamy autoregressive and moving average model (IKARMA), a class of dynamic models for time series that assume values in [0, 1) or (0, 1]. It is supposed that the dependent variable assumes, conditionally to the set of past observations, an inflated Kumaraswamy distribution (KI). The KI distribution is obtained from a mixture of distributions, embracing a discrete distribution (Bernoulli) and a continuous one (Kumaraswamy). As it is widely known in the literature, the Kumaraswamy distribution family is very useful for modeling hydro environmental and related data. In the proposed model, the random component follows the KI distribution, while the deterministic part considers two dynamic structures, one for the conditional median and another for the mixture parameter, the latter being simple and parsimonious. The dynamic structure used for conditional median accommodates autoregressive and moving average dynamics and allows the inclusion of a set of regressors. After reviewing the literature and presenting the proposed model, we discuss inferential procedures about the model parameters via conditional maximum likelihood. Closed-form expressions for the conditional score vector and the conditional Fisher information matrix are presented. Some diagnostic and forecasting tools are also proposed. Results of Monte Carlo simulations performed to evaluate the performance of inferences in finite sample sizes are presented. Finally, two empirical applications related to real hydro environmental data are presented and discussed.application/pdfporDistribuição KumaraswamyModelos dinâmicosSéries temporaisSimulação de Monte CarloPrevisõesARMA modelingDynamic modelForecastsInflated Kumaraswamy distributionRates and proportionsModelo Kumaraswamy inflacionado autorregressivo de médias móveis com aplicações em dados hidroambientaisinfo: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-RS2023mestradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001170213.pdf.txt001170213.pdf.txtExtracted Texttext/plain125230http://www.lume.ufrgs.br/bitstream/10183/275990/2/001170213.pdf.txta81926ede842cb202bb076ee5ad1c1cfMD52ORIGINAL001170213.pdfTexto completoapplication/pdf923971http://www.lume.ufrgs.br/bitstream/10183/275990/1/001170213.pdf8b188c2118f9730cae4fea16fc7a04d4MD5110183/2759902024-07-04 06:19:44.956oai:www.lume.ufrgs.br:10183/275990Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532024-07-04T09:19:44Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false
dc.title.pt_BR.fl_str_mv Modelo Kumaraswamy inflacionado autorregressivo de médias móveis com aplicações em dados hidroambientais
title Modelo Kumaraswamy inflacionado autorregressivo de médias móveis com aplicações em dados hidroambientais
spellingShingle Modelo Kumaraswamy inflacionado autorregressivo de médias móveis com aplicações em dados hidroambientais
Rosa, Camila Malu da
Distribuição Kumaraswamy
Modelos dinâmicos
Séries temporais
Simulação de Monte Carlo
Previsões
ARMA modeling
Dynamic model
Forecasts
Inflated Kumaraswamy distribution
Rates and proportions
title_short Modelo Kumaraswamy inflacionado autorregressivo de médias móveis com aplicações em dados hidroambientais
title_full Modelo Kumaraswamy inflacionado autorregressivo de médias móveis com aplicações em dados hidroambientais
title_fullStr Modelo Kumaraswamy inflacionado autorregressivo de médias móveis com aplicações em dados hidroambientais
title_full_unstemmed Modelo Kumaraswamy inflacionado autorregressivo de médias móveis com aplicações em dados hidroambientais
title_sort Modelo Kumaraswamy inflacionado autorregressivo de médias móveis com aplicações em dados hidroambientais
author Rosa, Camila Malu da
author_facet Rosa, Camila Malu da
author_role author
dc.contributor.author.fl_str_mv Rosa, Camila Malu da
dc.contributor.advisor1.fl_str_mv Bayer, Fábio Mariano
dc.contributor.advisor-co1.fl_str_mv Cribari-Neto, Francisco
contributor_str_mv Bayer, Fábio Mariano
Cribari-Neto, Francisco
dc.subject.por.fl_str_mv Distribuição Kumaraswamy
Modelos dinâmicos
Séries temporais
Simulação de Monte Carlo
Previsões
topic Distribuição Kumaraswamy
Modelos dinâmicos
Séries temporais
Simulação de Monte Carlo
Previsões
ARMA modeling
Dynamic model
Forecasts
Inflated Kumaraswamy distribution
Rates and proportions
dc.subject.eng.fl_str_mv ARMA modeling
Dynamic model
Forecasts
Inflated Kumaraswamy distribution
Rates and proportions
description Neste trabalho, propomos o modelo Kumaraswamy inflacionado autorregressivo e de médias móveis (IKARMA), uma classe de modelos dinâmicos para séries temporais que assumem valores em [0, 1) ou (0, 1]. Para isso, supõe-se que a variável dependente assume, condicionalmente ao conjunto de observações passadas, distribuição Kumaraswamy inflacionada (KI). A distribuição KI é obtida a partir de uma mistura de distribuições, encampando uma distribuição discreta (Bernoulli) e outra contínua (Kumaraswamy). Como é amplamente conhecido na literatura, a família de distribuiçãoo Kumaraswamy é muito útil para modelar dados hidroambientais e de áreas afins. No modelo proposto, o componente aleatório segue distribuição KI, enquanto a parte determinística considera duas estruturas dinâmicas, uma para a mediana condicional e outra para o parâmetro de mistura, sendo esta última simples e parcimoniosa. A estrutura dinâmica utilizada para mediana condicional abriga dinâmicas autorregressiva e de médias móveis e permite a inclusão de um conjunto de regressores. Após revisar a literatura e apresentar o modelo proposto, discutimos procedimentos inferenciais sobre os parâmetros do modelo via máxima verossimilhança condicional. Expressões explícitas para o vetor escore condicional e a matriz de informação de Fisher condicional são apresentadas. Algumas ferramentas de diagnóstico e previsão também são propostas. Resultados de simulações de Monte Carlo realizadas para avaliar o desempenho das inferências em amostras de tamanho finito são apresentados. Por fim, duas aplicações empíricas relacionadas a dados hidroambientais reais são apresentadas e discutidas.
publishDate 2023
dc.date.issued.fl_str_mv 2023
dc.date.accessioned.fl_str_mv 2024-07-03T05:46:56Z
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/10183/275990
dc.identifier.nrb.pt_BR.fl_str_mv 001170213
url http://hdl.handle.net/10183/275990
identifier_str_mv 001170213
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/10183/275990/2/001170213.pdf.txt
http://www.lume.ufrgs.br/bitstream/10183/275990/1/001170213.pdf
bitstream.checksum.fl_str_mv a81926ede842cb202bb076ee5ad1c1cf
8b188c2118f9730cae4fea16fc7a04d4
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_ 1810085643986927616