Modelos para Dados de Contagem com Estrutura Temporal

More documents

Recommendations

Info

Tabela 3.4: Estimativas a posteriori dos parâmetros estáticos dos modelos ajustados com respectivos intervalos de 95% de credibilidade a posteriori. Poisson Dinâmico Sazonal Parâmetro Média Mediana Quantil 0,025 Quantil 0,975 θ 01 1,8887 1,8774 1,4400 2,3962 θ 02 -0,1162 -0,1142 -0,6409 0,4188 θ 03 -0,0040 -0,0200 -0,5052 0,5678 W 1 0,0122 0,0104 0,0031 0,0307 W 2 0,0094 0,0081 0,0025 0,0220 Binomial Negativo Dinâmico Sazonal Parâmetro Média Mediana Quantil 0,025 Quantil 0,975 θ 01 1,8867 1,8847 1,3905 2,4132 θ 02 -0,1321 -0,1459 -0,6088 0,4282 θ 03 -0,0297 -0,0430 -0,5580 0,5473 W 1 0,0104 0,0087 0,0030 0,0285 W 2 0,0084 0,0070 0,0026 0,0223 ε 30,0589 27,8398 12,7868 60,7927 Nas Figuras 3.13 e 3.14, podem ser vistos os histogramas das amostras da distribuição a posteriori da variância de evolução do nível W , para os modelos dinâmicos sem estrutura sazonal, e W 1 , para os modelos dinâmicos com estrutura sazonal. Observando estas figuras e as Tabelas 3.3, 3.4 e 3.5, podemos perceber que, para o modelo Poisson dinâmico e modelo Poisson dinâmico com estrutura sazonal, as estimativas de W e W 1 têm valor mais alto quando comparadas com as estimativas destes mesmos parâmetros para os modelos de sobredispersão e modelos de sobredispersão com estrutura sazonal, respectivamente. Entretanto, a diferença não chega a ser significativa, conforme podemos constatar observando os intervalos de 95% de credibilidade a posteriori. 63
Tabela 3.5: Estimativas a posteriori dos parâmetros estáticos dos modelos ajustados com respectivos intervalos de 95% de credibilidade a posteriori. Poisson-Lognormal Dinâmico Sazonal (ξ = −V/2) Parâmetro Média Mediana Quantil 0,025 Quantil 0,975 θ 01 1,9009 1,8962 1,4081 2,3866 θ 02 -0,1158 -0,1212 -0,6389 0,4711 θ 03 -0,0290 -0,0472 -0,5091 0,5525 W 1 0,0110 0,0089 0,0029 0,0297 W 2 0,0085 0,0071 0,0025 0,0226 V 0,0331 0,0292 0,0077 0,0805 Poisson-Lognormal Dinâmico Sazonal (ξ = 0) Parâmetro Média Mediana Quantil 0,025 Quantil 0,975 θ 01 1,8969 1,8910 1,4438 2,4197 θ 02 -0,1203 -0,1240 -0,6530 0,4527 θ 03 -0,0320 -0,0308 -0,6588 0,5386 W 1 0,0113 0,0093 0,0030 0,0314 W 2 0,0084 0,0074 0,0028 0,0208 V 0,0156 0,0125 0,0033 0,0454 Observando a Figura 3.15, que apresenta os histogramas das amostras a posteriori da variância das componentes sazonais W 2 para os modelos dinâmicos com estrutura sazonal e as Tabelas 3.4 e 3.5, podemos perceber que, da mesma forma que as estimativas de W e W 1 , as estimativas de W 2 para o modelo Poisson dinâmico com estrutura sazonal tem valor maior quando comparada com as estimativas deste mesmo parâmetro para os demais modelos com estrutura sazonal, porém a diferença não é significativa. 64
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 22 and 23:
de cada modelo a fim de obter a dis
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 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?