NON GAUSSIAN STATE SPACE MODELS FOR COUNT DATA: THE DURBIN AND KOOPMAN METHODOLOGY / MODELOS DE ESPAÇO DE ESTADO NÃO GAUSSIANOS PARA DADOS DE CONTAGEM: METODOLOGIA DURBIN-KOOPMAN

AUTOR(ES)

MAYTE SUAREZ FARINAS

DATA DE PUBLICAÇÃO

1999

RESUMO

O objetivo desta tese é o de apresentar e investigar a metodologia de Durbin e Koopman (DK) usada para estimar o espaço de estado de modelos de séries temporais não- Gaussianos, dentro do contexto de modelos estruturais. A abordagem de DK está baseada na avaliação da verossimilhança usando uma eficiente simulação de Monte Carlo, por meio de amostragem por importância e técnicas de redução de variância, tais como variáveis antitéticas e variáveis de controle. Ela também integra conhecidas técnicas existentes no caso Gaussiano tais como o Filtro de Kalman Siavizado e o algoritmo de simulação suavizada. Uma vez que os hiperparâmetros do modelo são estimados, o estado, que contém as componentes do modelo, é estimado pela avaliação da moda a posteriori. Propomos então aproximações para avaliar a média e a variância da distribuição preditiva. São consideradas aplicações usando o modelo de Poisson.

ASSUNTO(S)

amostragem por importancia smoothing simulation importance sampling simulacao suavizada kalman filter filtro de kalman

Documentos Relacionados

• STATE SPACE MODEL FOR TIME SERIES WITH BIVARIATE POISSON DISTRIBUTION: AN APPLICATION OF DURBIN-KOOPMAN METODOLOGY
• Non linear models for count longitudinal data
• A STATISTICAL INVESTIGATION ON TIME SERIES MODELS FOR COUNT DATA: GARMA MODEL AND THE STATE SPACE POISSON GAMMA MODEL
• Models for count data with applications
• Inference and diagnostic in zero-inflated count data models