Modelos lineares generalizadas para series temporais com memoria longa
Cristiano Amancio Vieira Borges
DISSERTAÇÃO
Português
T/UNICAMP B644m
[Generalized linear models for long memory time series]
Campinas, SP : [s.n.], 2010.
116 p. : il.
Orientador: Mauricio Enrique Zevallos Herencia
Dissertação (mestrado) - Universidade Estadadual de Campinas, Instituto de Matematica, Estatistica e Computação Cientifica
Resumo: A modelagem de séries temporais não gaussianas é um tema de alta relevância na análise de séries temporais. Utilizando-se de estimação por verossimilhança parcial, Kedem e Fokianos (2002) estenderam sistematicamente a metodologia dos Modelos Lineares Generalizados (MLG) para séries temporais...
Ver mais
Resumo: A modelagem de séries temporais não gaussianas é um tema de alta relevância na análise de séries temporais. Utilizando-se de estimação por verossimilhança parcial, Kedem e Fokianos (2002) estenderam sistematicamente a metodologia dos Modelos Lineares Generalizados (MLG) para séries temporais em que tanto a série de interesse quanto as covariáveis são estocasticamente dependentes. Entretanto, a análise estatística de séries com memória longa (ML), seja na resposta ou nas covariáveis, não é discutida em detalhes. O primeiro objetivo desta dissertação é investigar, através de simulações, as propriedades dos estimadores de máxima verossimilhança parcial dos coeficientes do MLG quando utilizado para séries temporais com ML. O segundo objetivo consiste em um estudo sobre a qualidade das previsões obtidas para vários modelos ajustados a dados de séries com ML, utilizando a metodologia proposta por Kedem e Fokianos (2002). Os modelos considerados nesta dissertação são modelos para séries de contagens, séries binárias e séries categóricas ordinais. Finalmente, as metodologias são ilustradas através de aplicações em conjuntos de dados reais de finanças e de poluição do ar.
Ver menos
Abstract: Non-gaussian time series modeling is a high relevance issue of time series analysis. Kedem and Fokianos (2002) have used partial likelihood estimation to extend the Generalized Linear Models (GLM) methodology systematically to time series where the response and covariate data are both...
Ver mais
Abstract: Non-gaussian time series modeling is a high relevance issue of time series analysis. Kedem and Fokianos (2002) have used partial likelihood estimation to extend the Generalized Linear Models (GLM) methodology systematically to time series where the response and covariate data are both stochastically dependent. However, statistical analysis of time series with long memory (LM), whether in the response or in the covariates, is not discussed in detail. The first purpose of this paper is to investigate, via simulations, the properties of the partial maximum likelihood estimators of the GLM coefficients as used for modeling LM time series. As a second purpose, we have assessed the quality of the forecasts obtained from several adjusted models (using the methodology proposed by Kedem and Fokianos (2002)) as applied to data with LM series. The models we have chosen for our work include count series, binary series, and categorical ordinal time series models. Finally, the methodologies are illustrated with applications to financial and air pollution real data.
Ver menos
Zevallos Herencia, Mauricio Enrique, 1966-
Orientador
Hotta, Luiz Koodi, 1952-
Avaliador
Ehlers, Ricardo Sandes
Avaliador
Modelos lineares generalizadas para series temporais com memoria longa
Cristiano Amancio Vieira Borges
Modelos lineares generalizadas para series temporais com memoria longa
Cristiano Amancio Vieira Borges
Exemplares
Nº de exemplares: 2
Não existem reservas para esta obra