21.05.2014 Views

Modelos para Dados de Contagem com Estrutura Temporal

Modelos para Dados de Contagem com Estrutura Temporal

Modelos para Dados de Contagem com Estrutura Temporal

SHOW MORE
SHOW LESS

Create successful ePaper yourself

Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.

<strong>com</strong>pleta do vetor <strong>de</strong> estados em (2.57), encontramos os momentos suavizados da distribuição<br />

normal que, neste caso, é a distribuição proposta. Assim, po<strong>de</strong>mos sortear <strong>de</strong>sta<br />

distribuição um vetor <strong>de</strong> valores propostos <strong>para</strong> os parâmetros <strong>de</strong> estado, que será aceito<br />

ou rejeitado em um movimento múltiplo <strong>de</strong>ntro do algoritmo <strong>de</strong> Metropolis-Hastings.<br />

Desta forma, <strong>para</strong> obter uma amostra do vetor <strong>para</strong>métrico <strong>de</strong> estados Θ = (θ 1 , . . . , θ T ) ′<br />

na iteração j do algoritmo <strong>de</strong> Metropolis-Hastings, os seguintes passos <strong>de</strong>vem ser seguidos:<br />

1. calcule m t e C t , <strong>para</strong> t = 1, . . . , T , utilizando os passos do Conjugate Updating;<br />

2. sorteie θ ∗ T da distribuição normal <strong>com</strong> média m T e variância C T ;<br />

3. <strong>para</strong> t = T − 1, . . . , 1, sorteie θ ∗ t da distribuição normal <strong>com</strong> média suavizada m s t e<br />

variância suavizada C s t, calculadas conforme visto em (2.59) e (2.60);<br />

4. o novo valor Θ (j) = (θ (j)<br />

1 , . . . , θ (j)<br />

T<br />

)′ será<br />

⎧<br />

⎨ Θ ∗ = (θ ∗ 1, . . . , θ ∗<br />

Θ (j) T ) ′<br />

<strong>com</strong> probabilida<strong>de</strong> α<br />

=<br />

⎩ Θ (j−1) = (θ (j−1)<br />

1 , . . . , θ (j−1)<br />

T<br />

) ′ <strong>com</strong> probabilida<strong>de</strong> 1 − α,<br />

<strong>com</strong><br />

{<br />

}<br />

α = min 1, p(Θ∗ )q(Θ (j−1) )<br />

, (2.61)<br />

p(Θ (j−1) )q(Θ ∗ )<br />

em que p(·) é a função <strong>de</strong> <strong>de</strong>nsida<strong>de</strong> da distribuição condicional <strong>com</strong>pleta conjunta<br />

dos parâmetros <strong>de</strong> estado θ t e q(·) é a função <strong>de</strong> <strong>de</strong>nsida<strong>de</strong> da distribuição proposta<br />

normal <strong>para</strong> Θ, que é calculada da mesma maneira que a função <strong>de</strong> <strong>de</strong>nsida<strong>de</strong> em<br />

(2.57).<br />

No capítulo seguinte, apresentaremos os mo<strong>de</strong>los dinâmicos <strong>de</strong> interesse <strong>para</strong> séries<br />

temporais <strong>de</strong> contagem e faremos uma aplicação em que utilizamos o CUBS <strong>com</strong>o esquema<br />

<strong>de</strong> amostragem proposto <strong>para</strong> os parâmetros <strong>de</strong>stes mo<strong>de</strong>los.<br />

Veremos que a<br />

<strong>de</strong>finição dos mo<strong>de</strong>los consi<strong>de</strong>rados foge ligeiramente da <strong>de</strong>finição <strong>de</strong> um MLDG vista<br />

(2.16) <strong>com</strong> respeito à função <strong>de</strong> ligação, que, neste caso, não estará necessariamente aplicada<br />

no parâmetro natural da família exponencial. Iremos mostrar que o CUBS po<strong>de</strong><br />

ser utilizado <strong>com</strong> bons resultados ainda que a <strong>de</strong>finição do mo<strong>de</strong>lo consi<strong>de</strong>rado não seja<br />

exatamente aquela a qual o algoritmo se propõe originalmente ser aplicável.<br />

27

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!