Modelos para Dados de Contagem com Estrutura Temporal
Modelos para Dados de Contagem com Estrutura Temporal
Modelos para Dados de Contagem com Estrutura Temporal
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
3.1 <strong>Mo<strong>de</strong>los</strong> Dinâmicos <strong>para</strong> <strong>Dados</strong> <strong>de</strong> <strong>Contagem</strong><br />
Nesta seção, apresentamos os mo<strong>de</strong>los dinâmicos os quais estamos interessados. São<br />
mo<strong>de</strong>los da classe dos MLDG <strong>de</strong>scrita na Subseção 2.3.2 em que assumimos que a variável<br />
resposta segue uma distribuição <strong>de</strong> Poisson. Mo<strong>de</strong>lo dinâmicos <strong>de</strong> mistura que incluem<br />
parâmetros <strong>para</strong> capturar variação extra também serão apresentados nesta seção.<br />
3.1.1 Mo<strong>de</strong>lo Poisson Dinâmico<br />
Consi<strong>de</strong>re Y 1 , . . . , Y T , contagens <strong>de</strong> um <strong>de</strong>terminado fenômeno. Supomos que as<br />
variáveis aleatórias Y t , <strong>para</strong> t = 1, . . . , T , são condicionalmente in<strong>de</strong>pen<strong>de</strong>ntes e seguem<br />
uma distribuição <strong>de</strong> Poisson <strong>com</strong> média λ t , isto é,<br />
Y t | λ t ∼ P oi(λ t ). (3.1)<br />
Assumiremos que a média λ t varia no tempo através <strong>de</strong> uma estrutura dinâmica, a mesma<br />
<strong>de</strong>scrita pelas equações (2.16b) e (2.16c) da Subseção 2.3.2, da forma<br />
log(λ t ) = µ t (3.2a)<br />
µ t = µ t−1 + ω t , ω t ∼ N(0, W ), (3.2b)<br />
em que a média λ t faz o mesmo papel do parâmetro natural η t , log(·) é a função <strong>de</strong> ligação,<br />
µ t é o parâmetro <strong>de</strong> estado que neste mo<strong>de</strong>lo representa um nível que varia suavemente<br />
no tempo, F t = 1, G t = 1 e W t = W , <strong>para</strong> t = 1, . . . , T . O mo<strong>de</strong>lo se <strong>com</strong>pleta <strong>de</strong>pois<br />
que assumimos uma distribuição a priori <strong>para</strong> o parâmetro µ 0 . Neste caso, assumimos<br />
que<br />
µ 0 | D 0 ∼ N(m 0 , C 0 ), (3.3)<br />
em que m 0 e C 0 são valores conhecidos e refletem nossa incerteza a priori a respeito do<br />
processo no instante inicial. Geralmente, na prática, o valor <strong>de</strong> W não é conhecido e<br />
precisa ser estimado. Portanto, dada a informação D 0 , <strong>de</strong>vemos também atribuir uma<br />
distribuição a priori <strong>para</strong> W .<br />
Note que, ao assumir que Y t segue uma distribuição <strong>de</strong> Poisson, estamos implicitamente<br />
assumindo que E(Y t | λ t ) = V ar(Y t | λ t ) = λ t , porém, raramente os dados<br />
29