Modelos lineares parciais aditivos com erros simétricos condicionais autorregressivos e penalização com splines cúbicos

Detalhes bibliográficos
Autor(a) principal: Oliveira, Rodrigo Alves de
Data de Publicação: 2021
Tipo de documento: Tese
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
Texto Completo: https://www.teses.usp.br/teses/disponiveis/45/45133/tde-19062021-171520/
Resumo: Neste trabalho propomos os modelos lineares parciais aditivos com erros simétricos condicionais autorregressivos e penalização com splines cúbicos de regressão para modelar tendência e sazonalidade em séries temporais. As funções de verossimilhança penalizada, escore penalizada e matriz de informação de Fisher penalizada são obtidas, bem como um processo iterativo do tipo backfitting (Gauss-Seidel) é desenvolvido para obter as estimativas de máxima verossimilhança penalizada dos componentes paramétrico e não paramétrico, alternando com o procedimento usual do algoritmo de Quase-Newton, em particular o método BFGS, e a generalização para problemas de grande porte, o chamado método L-BFGS para obter as estimativas dos parâmetros de dispersão e de autocorrelação. Em seguida, apresentamos métodos de diagnóstico, tais como análise de resíduos, e influência local sob cinco esquemas de perturbação: ponderação de casos, parâmetro de dispersão, variável resposta, variável explicativa contínua e coeficiente de autocorrelação. Estudos de simulação são desenvolvidos supondo diferentes distribuições para os erros e sob modelos condicionais autorregressivos de ordem um e dois, diante de diversos cenários. Avaliamos as propriedades empíricas dos estimadores dos parâmetros de localização, dispersão e autocorrelação. A abordagem apresentada é discutida em quatro aplicações. O primeiro exemplo refere-se ao banco de dados de anomalia da temperatura média global anual na superfície terra-mar no período de 1880 a 2020. O segundo exemplo refere-se ao banco de dados sobre a temperatura média diária na cidade de São Francisco nos Estados Unidos no período de janeiro de 1995 a abril de 2020. O terceiro exemplo refere-se aos dados diários de poluição e meteorológicos na estação da Marginal Tietê na Ponte dos Remédios na cidade de São Paulo no período de janeiro de 2014 a dezembro de 2020. E, o quarto, e último, aborda a mortalidade cardiovascular média semanal no condado de Los Angeles no período de 1970 a 1979.
id USP_75aab05ac86fb6a79cadda13f2ce0721
oai_identifier_str oai:teses.usp.br:tde-19062021-171520
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str 2721
spelling Modelos lineares parciais aditivos com erros simétricos condicionais autorregressivos e penalização com splines cúbicosAdditive partial linear models with autoregressive conditional symmetric errors and penalized cubic splineAutoregressive errorsCubic regression splinesDiagnostic proceduresErros autorregressivosErros simétricosMétodos de diagnósticoModelos semiparamétricosPenalized regressionRegressão penalizadaSemiparametric modelsSplines cúbicos de regressãoSymmetric errorsNeste trabalho propomos os modelos lineares parciais aditivos com erros simétricos condicionais autorregressivos e penalização com splines cúbicos de regressão para modelar tendência e sazonalidade em séries temporais. As funções de verossimilhança penalizada, escore penalizada e matriz de informação de Fisher penalizada são obtidas, bem como um processo iterativo do tipo backfitting (Gauss-Seidel) é desenvolvido para obter as estimativas de máxima verossimilhança penalizada dos componentes paramétrico e não paramétrico, alternando com o procedimento usual do algoritmo de Quase-Newton, em particular o método BFGS, e a generalização para problemas de grande porte, o chamado método L-BFGS para obter as estimativas dos parâmetros de dispersão e de autocorrelação. Em seguida, apresentamos métodos de diagnóstico, tais como análise de resíduos, e influência local sob cinco esquemas de perturbação: ponderação de casos, parâmetro de dispersão, variável resposta, variável explicativa contínua e coeficiente de autocorrelação. Estudos de simulação são desenvolvidos supondo diferentes distribuições para os erros e sob modelos condicionais autorregressivos de ordem um e dois, diante de diversos cenários. Avaliamos as propriedades empíricas dos estimadores dos parâmetros de localização, dispersão e autocorrelação. A abordagem apresentada é discutida em quatro aplicações. O primeiro exemplo refere-se ao banco de dados de anomalia da temperatura média global anual na superfície terra-mar no período de 1880 a 2020. O segundo exemplo refere-se ao banco de dados sobre a temperatura média diária na cidade de São Francisco nos Estados Unidos no período de janeiro de 1995 a abril de 2020. O terceiro exemplo refere-se aos dados diários de poluição e meteorológicos na estação da Marginal Tietê na Ponte dos Remédios na cidade de São Paulo no período de janeiro de 2014 a dezembro de 2020. E, o quarto, e último, aborda a mortalidade cardiovascular média semanal no condado de Los Angeles no período de 1970 a 1979.In this thesis we propose additive partial linear models with autoregressive conditional symmetric errors based on penalized cubic regression splines for modeling trend and seasonality in time series. A penalized log-likelihood function as well as the penalized score and penalized Fisher information matrix are derived. A backfitting (Gauss-Seidel) iterative process is developed for estimating the additive components jointly with the usual procedure of the Quasi-Newton algorithm, in particular the BFGS method, and the generalization for large problems, the so-called L-BFGS method to obtain the dispersion and autocorrelation estimates. Diagnostic methods, such residual analysis and the local influence approach with five perturbation schemes, namely case-weight, dispersion parameter, response variable, continuous explanatory variable and autocorrelation coefficient, are developed. Simulation studies are performed to assess the large sample behavior of the maximum penalized likelihood estimators. Finally, the methodology is illustrated with four applications. The first example refers to the anomaly database of annual global average temperature on land-sea surface in the period from 1880 to 2020. The second application is on the modeling of the average daily temperature in the city of San Francisco in the United States, from January 1995 to April 2010. The third application discusses the modeling of daily pollution data available from Ponte dos Remédios station in São Paulo city from January 2014 to December 2020. And, the fourth, and last, approach the average weekly cardiovascular mortality in Los Angeles County in the period from 1970 to 1979.Biblioteca Digitais de Teses e Dissertações da USPPaula, Gilberto AlvarengaOliveira, Rodrigo Alves de2021-05-20info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/45/45133/tde-19062021-171520/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2024-08-15T21:49:02Zoai:teses.usp.br:tde-19062021-171520Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212024-08-15T21:49:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Modelos lineares parciais aditivos com erros simétricos condicionais autorregressivos e penalização com splines cúbicos
Additive partial linear models with autoregressive conditional symmetric errors and penalized cubic spline
title Modelos lineares parciais aditivos com erros simétricos condicionais autorregressivos e penalização com splines cúbicos
spellingShingle Modelos lineares parciais aditivos com erros simétricos condicionais autorregressivos e penalização com splines cúbicos
Oliveira, Rodrigo Alves de
Autoregressive errors
Cubic regression splines
Diagnostic procedures
Erros autorregressivos
Erros simétricos
Métodos de diagnóstico
Modelos semiparamétricos
Penalized regression
Regressão penalizada
Semiparametric models
Splines cúbicos de regressão
Symmetric errors
title_short Modelos lineares parciais aditivos com erros simétricos condicionais autorregressivos e penalização com splines cúbicos
title_full Modelos lineares parciais aditivos com erros simétricos condicionais autorregressivos e penalização com splines cúbicos
title_fullStr Modelos lineares parciais aditivos com erros simétricos condicionais autorregressivos e penalização com splines cúbicos
title_full_unstemmed Modelos lineares parciais aditivos com erros simétricos condicionais autorregressivos e penalização com splines cúbicos
title_sort Modelos lineares parciais aditivos com erros simétricos condicionais autorregressivos e penalização com splines cúbicos
author Oliveira, Rodrigo Alves de
author_facet Oliveira, Rodrigo Alves de
author_role author
dc.contributor.none.fl_str_mv Paula, Gilberto Alvarenga
dc.contributor.author.fl_str_mv Oliveira, Rodrigo Alves de
dc.subject.por.fl_str_mv Autoregressive errors
Cubic regression splines
Diagnostic procedures
Erros autorregressivos
Erros simétricos
Métodos de diagnóstico
Modelos semiparamétricos
Penalized regression
Regressão penalizada
Semiparametric models
Splines cúbicos de regressão
Symmetric errors
topic Autoregressive errors
Cubic regression splines
Diagnostic procedures
Erros autorregressivos
Erros simétricos
Métodos de diagnóstico
Modelos semiparamétricos
Penalized regression
Regressão penalizada
Semiparametric models
Splines cúbicos de regressão
Symmetric errors
description Neste trabalho propomos os modelos lineares parciais aditivos com erros simétricos condicionais autorregressivos e penalização com splines cúbicos de regressão para modelar tendência e sazonalidade em séries temporais. As funções de verossimilhança penalizada, escore penalizada e matriz de informação de Fisher penalizada são obtidas, bem como um processo iterativo do tipo backfitting (Gauss-Seidel) é desenvolvido para obter as estimativas de máxima verossimilhança penalizada dos componentes paramétrico e não paramétrico, alternando com o procedimento usual do algoritmo de Quase-Newton, em particular o método BFGS, e a generalização para problemas de grande porte, o chamado método L-BFGS para obter as estimativas dos parâmetros de dispersão e de autocorrelação. Em seguida, apresentamos métodos de diagnóstico, tais como análise de resíduos, e influência local sob cinco esquemas de perturbação: ponderação de casos, parâmetro de dispersão, variável resposta, variável explicativa contínua e coeficiente de autocorrelação. Estudos de simulação são desenvolvidos supondo diferentes distribuições para os erros e sob modelos condicionais autorregressivos de ordem um e dois, diante de diversos cenários. Avaliamos as propriedades empíricas dos estimadores dos parâmetros de localização, dispersão e autocorrelação. A abordagem apresentada é discutida em quatro aplicações. O primeiro exemplo refere-se ao banco de dados de anomalia da temperatura média global anual na superfície terra-mar no período de 1880 a 2020. O segundo exemplo refere-se ao banco de dados sobre a temperatura média diária na cidade de São Francisco nos Estados Unidos no período de janeiro de 1995 a abril de 2020. O terceiro exemplo refere-se aos dados diários de poluição e meteorológicos na estação da Marginal Tietê na Ponte dos Remédios na cidade de São Paulo no período de janeiro de 2014 a dezembro de 2020. E, o quarto, e último, aborda a mortalidade cardiovascular média semanal no condado de Los Angeles no período de 1970 a 1979.
publishDate 2021
dc.date.none.fl_str_mv 2021-05-20
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://www.teses.usp.br/teses/disponiveis/45/45133/tde-19062021-171520/
url https://www.teses.usp.br/teses/disponiveis/45/45133/tde-19062021-171520/
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Liberar o conteúdo para acesso público.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Liberar o conteúdo para acesso público.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1815257171491815424