Skip navigation
Use este identificador para citar ou linkar para este item: https://repositorio.ufpe.br/handle/123456789/17300
Título: Modelos dinâmicos para dados temporais sob distribuição simétrica condicional: estimação e diagnóstico
Autor(es): SOUTO MAIOR, Vinícius Quintas
Palavras-chave: Estatística matemática; Probabilidades; Séries temporais
Data do documento: 26-Fev-2016
Editor: Universidade Federal de Pernambuco
Resumo: Nossa abordagem é direcionada a variáveis aleatórias simétricas observadas ao longo do tempo. Nesse sentido, avaliamos os procedimentos de estimação e discutimos o uso da metodologia de diagnóstico sob o enfoque de influência local para classe de modelos autorregressivos de médias móveis simétrico, SYMARMA. Modelos sazonais também são abordados neste trabalho. A estimação dos parâmetros do modelo SYMARMA é feita através da maximização do logaritmo da função de verossimilhança condicional utilizando o algoritmo escore de Fisher. Apresentamos um estudo de robustez baseado na função de influência para avaliar a qualidade do procedimento de estimação. Além disso, conduzimos um estudo de simulação para avaliar a consistência e normalidade assintótica do estimador de máxima verossimilhança condicional. Derivamos expressões mais simples para as funções escore e a matriz informação de Fisher. Desenvolvemos medidas de diagnóstico sob o enfoque de influência local baseado nas medidas de curvatura de Cook (1986), inclinação de Billor e Loynes (1993) e curvatura de Lesaffre e Verbeke (1998). Derivamos, através de simulações, marcas de referência (limiares) para determinar se uma observação é influente. Aplicações de dados reais foram abordadas neste trabalho.
URI: https://repositorio.ufpe.br/handle/123456789/17300
Aparece na(s) coleção(ções):Teses de Doutorado - Estatística

Arquivos deste item:
Arquivo Descrição TamanhoFormato 
TESE - VINICIUS Q SOUTO MAIOR.pdf9,1 MBAdobe PDFVer/Abrir


Este arquivo é protegido por direitos autorais



Este item está licenciada sob uma Licença Creative Commons Creative Commons