Modelos para Dados de Contagem com Estrutura Temporal

More documents

Recommendations

Info

de cada modelo a fim de obter a distribuição a posteriori e a partir dela realizar todo o processo de estimação. Obteremos amostras desta distribuição a posteriori por meio de métodos de simulação estocástica, particularmente utilizaremos os métodos de Monte Carlo via cadeias de Markov (MCMC na sigla em inglês). A estimação dos parâmetros de um modelo dinâmico é um grande desafio. Devido ao fato do próprio modelo induzir uma correlação entre estes parâmetros, torna-se difícil a obtenção de amostras independentes destes. Há diferentes propostas na literatura sugerindo diferentes maneiras de se obter amostras da distribuição a posteriori dos parâmetros de modelos dinâmicos. Entre as mais recentes está o CUBS (do inglês Conjugate Updating Backward Sampling), proposto por Ravines et al. (2007). Neste estudo, é nosso interesse também discutir a metodologia desenvolvida por Ravines et al. (2007) aplicada na estimação de parâmetros de modelos dinâmicos para séries temporais de contagens e investigar seu desempenho, em especial para os modelos dinâmicos de mistura. Organização da Dissertação No Capítulo 2, faremos uma breve revisão sobre estimação e sobre procedimento de inferência sob o enfoque bayesiano. Discutiremos também métodos de simulação estocástica, particularmente métodos MCMC. Em seguida faremos uma breve revisão sobre modelos dinâmicos e detalharemos os esquemas de amostragem utilizados neste estudo para estimação de parâmetros de modelos dinâmicos, em especial o CUBS. Já no Capítulo 3, apresentaremos os modelos de interesse para dados de contagem com estrutura temporal, descreveremos algumas ferramentas de comparação e diagnóstico de modelos e faremos uma aplicação a dados reais. Freeland e McCabe (2002) ajustaram para o conjunto de dados em questão um modelo Poisson autoregressivo com estrutura sazonal e consideraram o procedimento sob o enfoque clássico. Neste capítulo, ajustaremos este mesmo modelo para este mesmo conjunto de dados reais considerando o procedimento de inferência sob o enfoque bayesiano. Em seguida, no Capítulo 4, começaremos discutindo modelos dinâmicos para dados de contagem inflacionados de zeros e logo após faremos uma aplicação a dados reais 3
com excesso de valores 0 (zero). Neste capítulo, discutiremos mais detalhadamente o desempenho do CUBS na estimação dos parâmetros dos modelos dinâmicos considerados na modelagem do conjunto de dados reais. Por fim, no Capítulo 5, apresentaremos as conlusões e possíveis extensões deste estudo. 4
Page 1: Modelos para Dados de Contagem com
Page 4 and 5: Aos meus pais, pela educação, exe
Page 6 and 7: Agradecimentos Em primeiro lugar, a
Page 8 and 9: Resumo Neste estudo, discutimos a a
Page 10 and 11: Sumário 1 Introdução 1 2 Modelos
Page 12 and 13: A.3.1 Modelo PAR com Estrutura Sazo
Page 14 and 15: 4.5 Estimativas a posteriori dos pa
Page 16 and 17: 3.12 Média a posteriori da sobredi
Page 18 and 19: 4.12 Média a posteriori da sobredi
Page 20 and 21: Capítulo 1 Introdução Modelos pa
Page 24 and 25: Capítulo 2 Modelos Dinâmicos e M
Page 26 and 27: paramétrico Θ, associamos uma per
Page 28 and 29: 2.2 Métodos de Monte Carlo via Cad
Page 30 and 31: propostos, alguns exemplos podem se
Page 32 and 33: evolução temporal seja levada em
Page 34 and 35: 2.3.2 Modelos Lineares Dinâmicos G
Page 36 and 37: 2.4 Esquemas de Amostragem em Model
Page 38 and 39: com Ỹt = Ỹt(θ (j−1) t ) e V
Page 40 and 41: Para qualquer que seja a função p
Page 42 and 43: Uma vez que observamos um valor y t
Page 44 and 45: forma ⎛ ⎝ θ t g(η t ) ∣ ⎞
Page 46 and 47: completa do vetor de estados em (2.
Page 48 and 49: 3.1 Modelos Dinâmicos para Dados d
Page 50 and 51: mostrado a seguir. p(Y t | λ t ,
Page 52 and 53: com o modelo binomial negativo, a d
Page 54 and 55: O modelo Poisson dinâmico descrito
Page 56 and 57: • a matriz de covariância associ
Page 58 and 59: O modelo PAR com estrutura sazonal
Page 60 and 61: distribuição normal-padrão e o d
Page 62 and 63: em que P (Y t ≤ y t | ϕ t ) = P
Page 64 and 65: 3.4 Aplicação 1 Iremos analisar u
Page 66 and 67: o modelo Poisson-lognormal é equiv
Page 68 and 69: • para os parâmetros µ 0 e θ 0
Page 70 and 71: azoavelmente. Ainda assim, apesar d
Page 72 and 73:
parece preservar características d
Page 74 and 75:
θ t, 2 −1.0 0.0 0.5 1.0 1.5 Méd
Page 76 and 77:
λ t 5 10 15 20 Média IC 95% λ t
Page 78 and 79:
λ t 5 10 15 20 Média IC 95% λ t
Page 80 and 81:
sobredispersão t 0 5 10 15 20 Méd
Page 82 and 83:
Tabela 3.4: Estimativas a posterior
Page 84 and 85:
Densidade 0 20 40 60 80 0.0586 Dens
Page 86 and 87:
Densidade 0 20 40 60 80 100 0.0094
Page 88 and 89:
Na Tabela 3.6 são apresentadas alg
Page 90 and 91:
A Figura 3.18 e Figura 3.19 ilustra
Page 92 and 93:
3.4.3 Comparação entre os Modelos
Page 94 and 95:
Quantis amostrais −2 −1 0 1 2
Page 96 and 97:
Quantis amostrais −2 −1 0 1 2
Page 98 and 99:
● ● ● ● Quantis amostrais
Page 100 and 101:
Capítulo 4 Modelos para Dados de C
Page 102 and 103:
conjunta de X t e Y t , para t = 1,
Page 104 and 105:
Número de casos de dengue 0 10 20
Page 106 and 107:
nenhum modelo com estrutura sazonal
Page 108 and 109:
• para a variância de evolução
Page 110 and 111:
Tabela 4.2: Taxas de aceitação m
Page 112 and 113:
estudo. Nosso interesse é descobri
Page 114 and 115:
tos pelo algoritmo sob investigaç
Page 116 and 117:
Para a série temporal artificial,
Page 118 and 119:
4.2.3 Resultados As Figuras 4.7 e 4
Page 120 and 121:
λ t 0 10 20 30 40 50 60 Média IC
Page 122 and 123:
λ t 0 10 20 30 40 50 60 Média IC
Page 124 and 125:
sobredispersão t 0 200 600 1000 M
Page 126 and 127:
Tabela 4.4: Estimativas a posterior
Page 128 and 129:
Densidade 0 2 4 6 8 10 12 0.3963 De
Page 130 and 131:
Densidade 0.00 0.02 0.04 0.06 0.08
Page 132 and 133:
p t 0.0 0.2 0.4 0.6 0.8 1.0 p t 0.0
Page 134 and 135:
y rep, t 0 10 20 30 40 50 60 Median
Page 136 and 137:
4.2.4 Comparação entre os Modelos
Page 138 and 139:
●●● Quantis amostrais −1.5
Page 140 and 141:
Quantis amostrais −1.5 −0.5 0.5
Page 142 and 143:
● ● ● ● Quantis amostrais
Page 144 and 145:
Capítulo 5 Conclusões Neste traba
Page 146 and 147:
para a modelagem do conjunto de dad
Page 148 and 149:
Apêndice A Distribuições Condici
Page 150 and 151:
• µ t , para t = 1, . . . , T
Page 152 and 153:
• δ t , para t = 1, . . . , T (q
Page 154 and 155:
o que implica que W 2 | D T , Ψ
Page 156 and 157:
• δ t , para t = 1, . . . , T :
Page 158 and 159:
• δ t , para t = 1, . . . , T (q
Page 160 and 161:
A.4 Modelos para Dados Inflacionado
Page 162 and 163:
• δ t , para t = 1, . . . , T :
Page 164 and 165:
• δ t , para t = 1, . . . , T (q
Page 166 and 167:
delos considerados, a função de l
Page 168 and 169:
Com posse dos valores α t e β t ,
Page 170 and 171:
Para o modelo binomial negativo din
Page 172 and 173:
µ 10 1.0 2.0 0 1000 2500 µ 40 1.0
Page 174 and 175:
θ 10, 2 −0.4 0.4 0 1000 2500 θ
Page 176 and 177:
C.2 Aplicação 2 Nesta seção, po
Page 178 and 179:
µ 10 −8 −4 0 0 1000 2500 µ 30
Page 180 and 181:
Gamerman, D. (1998) Markov chain Mo
show all

Modelos para Dados de Contagem com Estrutura Temporal

Create successful ePaper yourself

Delete template?

Save as template?