Estimação de processos com longa dependência na presença de muitos dados faltantes

• Ano de defesa: 2023
• Autor(a) principal: Ulloa, Gladys Choque
• Orientador(a): Pumi, Guilherme
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Estimacao semi-paramétrica; Séries temporais; Cópulas : Estatística; Simulação de Monte Carlo
• Palavras-chave em Inglês: Long dependency; Time series analysis; Missing data; Semi-parametric estimation; Copulas
• Link de acesso: http://hdl.handle.net/10183/259411

Entre os modelos mais importantes para séries temporais com longa dependência está a classe de modelos ARFIMA(p, d, q) (processo autoregressivo fracionariamente integrado de média móvel). Embora a estimação do parâmetro de longa dependência d em modelos ARFIMA é um problema bastante estudado, o mesmo não se pode dizer sobre a estimação de d na presença de dados faltantes. Podemos abordar este problema de duas maneiras: os dados faltantes podem ser imputados usando algum método plausível e então procedemos com a estimativa como se nenhum dado estivesse faltando; ou podemos aplicar uma metodologia especialmente adaptada para estimar d na presença de dados faltantes. Neste trabalho, revisamos alguns dos métodos disponíveis para ambas as abordagens e os comparamos por meio de um estudo de simulação de Monte Carlo. Apresentamos uma comparação entre 35 configurações diferentes para estimar d, em dezenas de diferentes cenários, considerando porcentagens de dados faltantes variando entre 10% até 70% e vários níveis de dependência. A velocidade computacional de cada método de estimação foi avaliada medindo-se o tempo necessário para executar várias tarefas diferentes.