Bootstrap em modelos auto-regressivos aditivos generalizados

AUTOR(ES)
DATA DE PUBLICAÇÃO

2009

RESUMO

A classe dos Modelos Aditivos Generalizados (MAG), considerados uma extensão dos Modelos Lineares Generalizados, vem atraindo a atenção de pesquisadores principalmente em função de sua flexibilidade. Apesar de construído sob a hipótese de independência dos dados, os MAGs são muito aplicados em estudos de séries temporais, sobretudo como alternativa para modelagem de variáveis de confusão tais como tendência e sazonalidade. Recentemente, modelos mais gerais, que consideram a estrutura de correlação entre os dados, como os modelos GLARMA (autoregressive moving average generalized linear models), têm sido utilizados. Este trabalho estende os modelos GLARMA para uma classe de modelos auto-regressivos aditivos generalizados para séries de contagem cuja distribuição condicional, dadas as observações passadas e as variáveis explicativas, segue uma distribuição de Poisson. Além de apresentar uma conceituação desses modelos bem como procedimentos de ajustes, este trabalho emprega, em um estudo empírico, o procedimento bootstrap em três formas (bootstrap nas observações, bootstrap condicional e bootstrap nos resíduos) na inferência pontual dos parâmetros do modelo e compara dois métodos de construção de intervalos de confiança bootstrap - bootstrap percentílico e bootstrap com correção do vício na estimação intervalar. Os resultados mostram que, em geral, os procedimentos e os intervalos de confiança bootstrap apresentam um bom desempenho quando utilizados na classe de MAGs que por sua vez, quando auxiliados pela modelagem GLARMA, modelam bem dados de contagem com estrutura auto-regressiva de ordem 1, apresentando estimativas próximas dos valores verdadeiros dos parâmetros.

ASSUNTO(S)

estatística teses.

Documentos Relacionados