Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/68754
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor1 | Glaura da Conceição Franco | pt_BR |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/0913222654204695 | pt_BR |
dc.contributor.referee1 | Francisco Cribari Neto | pt_BR |
dc.contributor.referee2 | Thiago Rezende dos Santos | pt_BR |
dc.contributor.referee3 | Uriel Moreira Silva | pt_BR |
dc.contributor.referee4 | Airlane Pereira Alencar | pt_BR |
dc.creator | Gisele de Oliveira Maia | pt_BR |
dc.creator.Lattes | http://lattes.cnpq.br/4162026236063432 | pt_BR |
dc.date.accessioned | 2024-05-28T20:25:09Z | - |
dc.date.available | 2024-05-28T20:25:09Z | - |
dc.date.issued | 2024-03-22 | - |
dc.identifier.uri | http://hdl.handle.net/1843/68754 | - |
dc.description.abstract | With the frequent occurrence in our daily lives of phenomena related to meteorological variables such as precipitation and temperature, atmospheric pollutant concentration, and financial variables, it becomes essential to develop flexible models for the adequate treatment of this data. With this purpose, an extension of the Generalized Linear Autoregressive Moving Average (GLARMA) model has been developed to encompass positive continuous responses, thereby expanding the applicability of the model. Previously restricted to count data, the model is now capable of handling a wider variety of data types, providing a more versatile and effective tool for analysis and prediction across various fields of study. Furthermore, this work also focuses on the construction of procedures for inference on the parameters of the GLARMA model without making assumptions about the shape of the data distribution. To achieve this, we introduced the conditional parametric bootstrap procedure in the construction of confidence intervals and hypothesis testing for the parameters of the GLARMA model. Additionally, through this procedure, we were able to correct biases in estimators when the sample size is small. Numerical studies are conducted to evaluate the performance of the proposed extension and the bootstrap procedure in different scenarios. Demonstrating the utility of the proposals in real situations, three analyses of real data are performed considering atmospheric, epidemiological, and financial variables. | pt_BR |
dc.description.resumo | Com a frequente ocorrência em nosso cotidiano de fenômenos relacionados a variáveis meteorológicas, como precipitação e temperatura, concentração de poluentes atmosféricos e de variáveis financeiras, torna-se essencial desenvolver modelos flexíveis para o tratamento adequado desses dados. Com esse propósito, foi desenvolvida uma extensão do modelo Linear Generalizado Autoregressivo Média Móvel (GLARMA), a fim de abranger respostas contínuas positivas, ampliando a aplicabilidade do modelo. Anteriormente restrito a dados de contagem, o modelo agora é capaz de lidar com uma variedade mais ampla de tipos de dados, proporcionando uma ferramenta mais versátil e eficaz para análise e previsão em diversas áreas de estudo. Além disto, este trabalho foca também na construção de procedimentos para realizar inferência sobre os parâmetros do modelo GLARMA sem fazer suposições sobre a forma da distribuição dos dados. Para isso, introduzimos o procedimento bootstrap condicional paramétrico na construção de intervalos de confiança e testes de hipóteses para os parâmetros do modelo GLARMA. Além disso, pelo procedimento conseguimos corrigir vícios de estimadores quando o tamanho da amostra é pequeno. Estudos numéricos são realizados para avaliar o desempenho da extensão proposta e o procedimento bootstrap em diferentes cenários. Mostrando a utilidade das propostas em situações reais, três análises de dados reais são realizadas considerando variáveis atmosféricas, epidemiológicas e financeira. | pt_BR |
dc.description.sponsorship | CNPq - Conselho Nacional de Desenvolvimento Científico e Tecnológico | pt_BR |
dc.description.sponsorship | FAPEMIG - Fundação de Amparo à Pesquisa do Estado de Minas Gerais | pt_BR |
dc.description.sponsorship | CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior | pt_BR |
dc.language | eng | pt_BR |
dc.publisher | Universidade Federal de Minas Gerais | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.department | ICX - DEPARTAMENTO DE ESTATÍSTICA | pt_BR |
dc.publisher.program | Programa de Pós-Graduação em Estatística | pt_BR |
dc.publisher.initials | UFMG | pt_BR |
dc.rights | Acesso Restrito | pt_BR |
dc.subject | GLARMA | pt_BR |
dc.subject | continuous positive | pt_BR |
dc.subject | conditional bootstrap parametric | pt_BR |
dc.subject.other | Estatística – Teses | pt_BR |
dc.subject.other | Bootstrap (Estatística) – Teses | pt_BR |
dc.subject.other | Análise de séries temporais – Teses | pt_BR |
dc.title | GLARMA Model for Temporal Data Analysis: extensions for positive continuous data and a bootstrap proposal for inference on model parameters | pt_BR |
dc.title.alternative | Modelo GLARMA para Análise de Dados Temporais: extensões para dados contínuos positivos e uma proposta de bootstrap para inferência sobre parâmetros do modelo | pt_BR |
dc.type | Tese | pt_BR |
dc.description.embargo | 2026-03-22 | - |
dc.identifier.orcid | https://orcid.org/0000-0002-2543-2884 | pt_BR |
Appears in Collections: | Teses de Doutorado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
ThesisGiseleMaia (2).pdf ???org.dspace.app.webui.jsptag.ItemTag.restrictionUntil??? 2026-03-22 | 2.81 MB | Adobe PDF | View/Open Request a copy |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.