Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/73799
Type: | Artigo de Periódico |
Title: | Inference on dynamic models for non-Gaussian random fields using INLA |
Authors: | Renan Xavier Cortes Thiago G. Martins Marcos Oliveira Prates Bráulio Figueiredo Alves da Silva |
Abstract: | Robust time series analysis is an important subject in statistical modeling. Models based on Gaussian distribution are sensitive to outliers, which may imply in a significant degradation in estimation performance as well as in prediction accuracy. State-space models, also referred as Dynamic Models, is a very useful way to describe the evolution of a time series variable through a structured latent evolution system. Integrated Nested Laplace Approximation (INLA) is a recent approach proposed to perform fast approximate Bayesian inference in Latent Gaussian Models which naturally comprises Dynamic Models. We present how to perform fast and accurate non-Gaussian dynamic modeling with INLA and show how these models can provide a more robust time series analysis when compared with standard dynamic models based on Gaussian distributions. We formalize the framework used to fit complex non-Gaussian space-state models using the R package INLA and illustrate our approach with a simulation study and a Brazilian homicide rate dataset. |
Abstract: | A análise robusta de séries temporais é um assunto importante na modelagem estatística. Modelos baseados na distribuição gaussiana são sensíveis a outliers, o que pode implicar numa degradação significativa no desempenho da estimativa, bem como na precisão da previsão. Os modelos de espaço de estados, também conhecidos como Modelos Dinâmicos, são uma forma muito útil de descrever a evolução de uma variável de série temporal através de um sistema estruturado de evolução latente. A Aproximação Integrada de Laplace Aninhada (INLA) é uma abordagem recente proposta para realizar inferência Bayesiana aproximada rápida em Modelos Gaussianos Latentes que naturalmente compreendem Modelos Dinâmicos. Apresentamos como realizar modelagem dinâmica não gaussiana rápida e precisa com INLA e mostramos como esses modelos podem fornecer uma análise de série temporal mais robusta quando comparados com modelos dinâmicos padrão baseados em distribuições gaussianas. Formalizamos a estrutura usada para ajustar modelos complexos de estados espaciais não gaussianos usando o pacote R INLA e ilustramos nossa abordagem com um estudo de simulação e um conjunto de dados de taxas de homicídios no Brasil. |
Subject: | Estatística Teoria bayesiana de decisão estatistica Dinamicos - Modelos matematicos Homicidio |
language: | eng |
metadata.dc.publisher.country: | Brasil |
Publisher: | Universidade Federal de Minas Gerais |
Publisher Initials: | UFMG |
metadata.dc.publisher.department: | FAF - DEPARTAMENTO DE SOCIOLOGIA |
Rights: | Acesso Aberto |
metadata.dc.identifier.doi: | https://doi.org/10.1214/15-BJPS300 |
URI: | http://hdl.handle.net/1843/73799 |
Issue Date: | 2017 |
metadata.dc.url.externa: | https://projecteuclid.org/journals/brazilian-journal-of-probability-and-statistics/volume-31/issue-1/Inference-on-dynamic-models-for-non-Gaussian-random-fields-using/10.1214/15-BJPS300.full |
metadata.dc.relation.ispartof: | Brazilian Journal of Probability and Statistics |
Appears in Collections: | Artigo de Periódico |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Inference on dynamic models for non-Gaussian random fields using INLA.pdf | 453.95 kB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.