• 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
 
 
Master's Dissertation
DOI
https://doi.org/10.11606/D.45.2019.tde-23102019-140244
Document
Author
Full name
Yuri Verges
E-mail
Institute/School/College
Knowledge Area
Date of Defense
Published
São Paulo, 2019
Supervisor
Committee
Lopes, Hedibert Freitas (President)
Ehlers, Ricardo Sandes
González-lópez, Verónica Andrea
Title in English
The bivariate integer-valued GARCH model: a Bayesian estimation framework
Keywords in English
Bayesian inference
Counting data problem/INGARCH
Negative correlation modeling
Abstract in English
An extensive literature has been developed on counting data in recent years, and the contribution that seeks the multivariate approach to this problem is still small. This paper aims to analyze in greater depth and perform the Bayesian estimation of the bivariate INGARCH model proposed in Cui and Zhu [2017], where the autoregression studied in Liu [2012] is extended to treat negatively correlated events. Since the probability function proposed in Lakshminarayana et al. [1999] demands some attention to the non-infringement of the probability axioms, a thorough analysis of this new distribution has been performed. For the Bayesian estimation procedure, the Random Walk Metropolis-Hastings algorithm was applied, and tunning was chosen as in one of Bennett et al. [1996] approaches. An exhaustive analysis on simulated data was performed for the real understanding of how the proposed model behaves, and, aiming at the application in real data, a study on the Pittsburgh crime data and another on the number of trades for the futures contracts of Euro and British Pound at traded CME (Chigado Mechandile Exchange) were implemented.
Title in Portuguese
O modelo bivariado GARCH inteiro: uma abordagem Bayesiana
Keywords in Portuguese
Inferência Bayesiana
Modelagem de correlação negativa
Problema de dados de contagem/GARCH inteiro
Abstract in Portuguese
Uma extensa literatura tem se desenvolvido sobre dados de contagem nos últimos anos, sendo ainda, pequena a contribuição que busca a abordagem multivariada desse problema. Este trabalho têm como objetivo analisar em maior profundidade e realizar a estimação bayesiana do modelo bivariado INGARCH proposto em Cui and Zhu [2017], onde a autoregressão estudada em Liu [2012] é estendida de forma a tratar eventos negativamente correlacionados. Uma vez que a função de probabilidade proposta em Lakshminarayana et al. [1999] demanda certa atenção para a não infração dos axiomas da probabilidade, uma análise minuciosa sobre esta nova distribuição foi executada. Para o procedimento de estimação Bayesiana, foi aplicado o algoritmo de Random Walk Metropolis-Hastings, sendo o tunning escolhido como em uma das abordagens em Bennett et al. [1996]. Uma análise exaustiva em dados simulados foi desempenhada para o real entendimento de como se comporta o modelo proposto e, objetivando a aplicação em dados reais, um estudo sobre os dados de criminalidade de Pittsburgh e outro sobre os números de negócios realizados para os contratos futuros de Euro e Libra Esterlina negociados na CME (Chigado Mechandile Exchange) foram efetuados.
 
WARNING - Viewing this document is conditioned on your acceptance of the following terms of use:
This document is only for private use for research and teaching activities. Reproduction for commercial use is forbidden. This rights cover the whole data about this document as well as its contents. Any uses or copies of this document in whole or in part must include the author's name.
Publishing Date
2020-08-11
 
WARNING: Learn what derived works are clicking here.
All rights of the thesis/dissertation are from the authors
CeTI-SC/STI
Digital Library of Theses and Dissertations of USP. Copyright © 2001-2021. All rights reserved.