Orientador: Gilmar Barreto

Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação

Resumo: Esta tese apresenta uma contribuição computacional para o método de mínimos quadrados recursivo (MQR) e a sua aplicação às múltiplas séries temporais. O objetivo principal é obter estimativas com menor erro médio final, em comparação com as estimativas resultantes da aplicação do método MQR...

Resumo: Esta tese apresenta uma contribuição computacional para o método de mínimos quadrados recursivo (MQR) e a sua aplicação às múltiplas séries temporais. O objetivo principal é obter estimativas com menor erro médio final, em comparação com as estimativas resultantes da aplicação do método MQR usual. Os resultados das análises foram obtidos aplicando diferentes modificações e ajustes no modelo de dados de entrada e saída. Estes ajustes procuram ter a quantidade suficiente de dados nas séries temporais de entrada que forneçam a melhor relação com a série temporal de saída. O método desenvolvido usa inicialmente, e de forma independente, o método MQR em duas matrizes geradas pelo modelo de dados de entrada e saída, obtendo assim dois estimadores do mesmo modelo; a primeira matriz é composta pela totalidade dos dados do modelo final e a segunda matriz é gerada por um filtro que utiliza a primeira matriz e a nova observação, filtro especificado no presente trabalho. Os dois estimadores calculados para cada nova observação são comparados aplicando-lhes critérios estabelecidos neste trabalho, gerando assim um terceiro estimador que _e o melhor estimador do modelo de dados de entrada e saída. O método proposto é chamado de método de mínimos quadrados recursivo 3 (MQR3). Finalmente o método MQR3 _e testado com um modelamento de dados de múltiplas séries temporais e seus resultados comparados com os resultados do método MQR. As estatísticas encontradas para diferentes dados de validação mostram estimativas com menor erro médio final para o método MQR3

Abstract: This thesis presents a computational contribution to the recursive least squares method (RLS) and the application to multiple time series. The main objective is to obtain estimates with lower mean final error, when compared to the estimates resulting from the application of the normal MQR...

Abstract: This thesis presents a computational contribution to the recursive least squares method (RLS) and the application to multiple time series. The main objective is to obtain estimates with lower mean final error, when compared to the estimates resulting from the application of the normal MQR method. The analysis results were obtained by applying different modifications and adjustments to the input and output data model. These adjustments seek to have a sufficient amount of data in the incoming time series to provide the highest ratio with the output time series. The method initially uses, independently, the RLS method in two arrays generated by the input and output data model, thus obtaining two estimators of the same model, the first matrix is composed of all of the data for the final model and the second matrix is generated by a filter that uses the first array and the new observation, filter specified in the present work. The two estimators calculated for each new observation are compared by applying them with criteria established in this work, thereby generating a third which is the best estimator of the input and output model. The proposed method is called recursive least squares method 3 (MQR3). Finally, the method is tested with a MQR3 multiple time series data modeling and the results compared with the results of the RLS method. The statistics found for deferent validation data show estimates with a lower final average error for the MQR3 method