Detalhes bibliográficos
Ano de defesa: |
2023 |
Autor(a) principal: |
Rosa, Camila Malu da |
Orientador(a): |
Bayer, Fábio Mariano |
Banca de defesa: |
Não Informado pela instituição |
Tipo de documento: |
Dissertação
|
Tipo de acesso: |
Acesso aberto |
Idioma: |
por |
Instituição de defesa: |
Não Informado pela instituição
|
Programa de Pós-Graduação: |
Não Informado pela instituição
|
Departamento: |
Não Informado pela instituição
|
País: |
Não Informado pela instituição
|
Palavras-chave em Português: |
|
Palavras-chave em Inglês: |
|
Link de acesso: |
http://hdl.handle.net/10183/275990
|
Resumo: |
Neste trabalho, propomos o modelo Kumaraswamy inflacionado autorregressivo e de médias móveis (IKARMA), uma classe de modelos dinâmicos para séries temporais que assumem valores em [0, 1) ou (0, 1]. Para isso, supõe-se que a variável dependente assume, condicionalmente ao conjunto de observações passadas, distribuição Kumaraswamy inflacionada (KI). A distribuição KI é obtida a partir de uma mistura de distribuições, encampando uma distribuição discreta (Bernoulli) e outra contínua (Kumaraswamy). Como é amplamente conhecido na literatura, a família de distribuiçãoo Kumaraswamy é muito útil para modelar dados hidroambientais e de áreas afins. No modelo proposto, o componente aleatório segue distribuição KI, enquanto a parte determinística considera duas estruturas dinâmicas, uma para a mediana condicional e outra para o parâmetro de mistura, sendo esta última simples e parcimoniosa. A estrutura dinâmica utilizada para mediana condicional abriga dinâmicas autorregressiva e de médias móveis e permite a inclusão de um conjunto de regressores. Após revisar a literatura e apresentar o modelo proposto, discutimos procedimentos inferenciais sobre os parâmetros do modelo via máxima verossimilhança condicional. Expressões explícitas para o vetor escore condicional e a matriz de informação de Fisher condicional são apresentadas. Algumas ferramentas de diagnóstico e previsão também são propostas. Resultados de simulações de Monte Carlo realizadas para avaliar o desempenho das inferências em amostras de tamanho finito são apresentados. Por fim, duas aplicações empíricas relacionadas a dados hidroambientais reais são apresentadas e discutidas. |