Modelos lineares generalizadas para series temporais com memoria longa / Generalized linear models for long memory time series

AUTOR(ES)

Cristiano Amancio Vieira Borges

DATA DE PUBLICAÇÃO

2010

RESUMO

A modelagem de séries temporais não gaussianas é um tema de alta relevância na análise de séries temporais. Utilizando-se de estimação por verossimilhança parcial, Kedem e Fokianos (2002) estenderam sistematicamente a metodologia dos Modelos Lineares Generalizados (MLG) para séries temporais em que tanto a série de interesse quanto as covariáveis são estocasticamente dependentes. Entretanto, a análise estatística de séries com memória longa (ML), seja na resposta ou nas covariáveis, não é discutida em detalhes. O primeiro objetivo desta dissertação é investigar, através de simulações, as propriedades dos estimadores de máxima verossimilhança parcial dos coeficientes do MLG quando utilizado para séries temporais com ML. O segundo objetivo consiste em um estudo sobre a qualidade das previsões obtidas para vários modelos ajustados a dados de séries com ML, utilizando a metodologia proposta por Kedem e Fokianos (2002). Os modelos considerados nesta dissertação são modelos para séries de contagens, séries binárias e séries categóricas ordinais. Finalmente, as metodologias são ilustradas através de aplicações em conjuntos de dados reais de finanças e de poluição do ar.

ASSUNTO(S)

modelos lineares generalizados verossimilhança parcial (estatistica) previsão não-gaussianas time series partial likelihood (statistics) long-memory forecasting generalized linear models series temporais não-gaussianas longa-memoria

Documentos Relacionados

• Modelos de memória longa, GARCH e GARCH com memória longa para séries financeiras
• Recurrent neural networks for prediction of short and long memory time series
• MODELOS HÍBRIDOS AUTOREGRESSIVO-NEURAIS PARA SÉRIES TEMPORAIS
• Stochastic models with heteroscedasticity for time series in finance
• "Modelos lineares generalizados para análise de dados com medidas repetidas"