• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Thèse de Doctorat
DOI
https://doi.org/10.11606/T.45.2020.tde-11032020-230059
Document
Auteur
Nom complet
Helton Graziadei de Carvalho
Unité de l'USP
Domain de Connaissance
Date de Soutenance
Editeur
São Paulo, 2020
Directeur
Jury
Lopes, Hedibert Freitas (Président)
Artes, Rinaldo
Ehlers, Ricardo Sandes
Esteves, Luís Gustavo
Izbicki, Rafael
Titre en anglais
Some Bayesian generalizations of the integer-valued autoregressive model
Mots-clés en anglais
Dirichlet process
Finite mixture
INAR(1)
Pitman-Yor process
Resumé en anglais
In this thesis, we develop Bayesian generalized models for analyzing time series of counts. In our first proposal, we use a finite mixture to define the marginal distribution of the innovation process, in order to potentially account for overdispersion in the time series. Our second contribution uses a Dirichlet process at the distribution of the time-varying innovation rates, which are softly clustered through time. Finally, we examine issues of prior sensitivity in a semi-parametric extended model in which the distribution of the innovation rates follows a Pitman-Yor process. A graphical criterion to choose the Pitman-Yor base measure hyperparameters is proposed, showing explicitly that the Pitman-Yor discount parameter and the concentration parameter can interact with the chosen base measure to yield robust inferential results. The posterior distribution of the models parameters is obtained through data-augmentation schemes which allows us to obtain tractable full conditional distributions. The prediction performance of the proposed models are put to test in the analysis of two real data sets, with favorable results.
Titre en portugais
Algumas generalizações bayesianas do modelo autorregressivo de valores inteiros
Mots-clés en portugais
INAR(1)
Misturas finitas
Processo Dirichlet
Processo Pitman-Yor
Resumé en portugais
Nesta tese, desenvolvemos generalizações bayesianas para analisar séries temporais de contagem. Primeiramente, modelamos a distribuição marginal do processo de inovação através de um modelo de mistura finita, de modo a acomodar sobredispersão na série temporal. Em nossa segunda contribuição, utilizamos um processo Dirichlet na distribuição das taxas de inovação, que são clusterizadas temporalmente. Finalmente, exploramos questões de sensibilidade da distribuição a priori em um terceiro modelo em que a distribuição das taxas de inovação segue um processo de Pitman-Yor. Propomos um critério gráfico para escolher os hiperparâmetros da medida base do process, mostrando explicitamente que o parâmetro de desconto e o parâmetro de concentração podem interagera com a medida base escolhida para produzir resultados inferenciais robustos. As distribuições a posterior dos parâmetros dos modelos são obtidas por meio da técnica de dados aumentados, o que viabiliza a obtenção de distribuições condicionais completas facilmente tratáveis. A performance preditiva são avaliadas em dois conjuntos de dados reais, com resultados favoráveis.
 
AVERTISSEMENT - Regarde ce document est soumise à votre acceptation des conditions d'utilisation suivantes:
Ce document est uniquement à des fins privées pour la recherche et l'enseignement. Reproduction à des fins commerciales est interdite. Cette droits couvrent l'ensemble des données sur ce document ainsi que son contenu. Toute utilisation ou de copie de ce document, en totalité ou en partie, doit inclure le nom de l'auteur.
Date de Publication
2020-08-11
 
AVERTISSEMENT: Apprenez ce que sont des œvres dérivées cliquant ici.
Tous droits de la thèse/dissertation appartiennent aux auteurs
CeTI-SC/STI
Bibliothèque Numérique de Thèses et Mémoires de l'USP. Copyright © 2001-2021. Tous droits réservés.