Uma Abordagem Bayesiana para Modelos Auto-Regressivos Periódicos - PAR

• Ano de defesa: 1998
• Autor(a) principal: Hutter, Claudia Fernanda Freitas
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Não disponível; Not available
• Link de acesso: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-14032018-110842/

Nesta dissertação de mestrado, apresentamos um estudo dos modelos de séries temporais com componentes sazonais, tais que a medida presente está correlacionada com a medida imediatamente passada e com médias passadas no mesmo ponto de períodos anteriores. Dentro da classe de modelos periódicos, vamos considerar os modelos auto-regressivos periódicos - PAR. Estes modelos são adequados quando a correlação entre os meses variam de forma periódica, estas séries são ditas periodicamente estacionárias. Na análise Clássica a identificação do modelo é feita através da função de autocorrelação periódica, PeFAC e função de autocorrelação parcial periódica, PeFACP, a escolha do melhor modelo é feita usando-se o Critério de Informação Bayesiano, BIC, apresentamos ainda um teste estatístico para verificar a periodicidade na função de autocorrelação. Na análise Bayesiana consideramos três alternativas de densidades a priori para os parâmetros. A densidade preditiva é usada na escolha do melhor modelo e para fazer previsões um passo a frente de valores Muros da série usando resultados da simulaçãO em Cadeia de Markov, MCMC. Exploramos ainda o uso dos algoritmos de MCMC para estimar as densidade a posteriori marginais dos parâmetros do modelo. A metodologia desenvolvida neste trabalho é exemplificada com conjuntos de dados reais e simulados.