Untitled - UFRJ
Untitled - UFRJ Untitled - UFRJ
Modelagem Bayesiana Hierárquica em PPNHsMaristela Dias de OliveiraUniversidade Federal de Minas Gerais / Universidade Federal da BahiaEnrico A. ColosimoUniversidade Federal de Minas GeraisGustavo L. GilardoniUniversidade de BrasiliaMuitas aplicações estatísticas envolvem múltiplos parâmetros que podem ser considerados como relacionadosou ligados de alguma forma pela estrutura do problema, implicando que um modelo de probabilidadeconjunta para esses parâmetros deva refletir a dependência entre eles. Uma característica-chavede tais aplicações é que os dados observados, t ij , com unidades indexadas por j, dentro de gruposindexados por i, podem ser usados para estimar aspectos da distribuição populacional dos parâmetros.No contexto de múltiplos sistemas reparáveis, pode ser de interesse investigar se a função intensidade defalhas dos sistemas seguem o mesmo ou diferentes Processos de Poisson Não-Homogêneos (PPNHs). Énatural modelar tal problema hierarquicamente, com os resultados observáveis sendo modelados condicionalmentenessess parâmetros populacionais, que são dados como uma especificação probabilística emtermos de parâmetros adicionais ou hiperparâmetros. Tal pensamento hierárquico ajuda a entender problemasmultiparamétricos. Este trabalho apresenta uma abordagem Bayesiana Hierárquica para modelarPPNHs. A abordagem é então aplicada a dados reais e a dados simulados, e os resultados obtidos sãocomparados aos correspondentes resultados obtidos por máxima verossimilhança.109
Abordagem Bayesiana para Modelos GARCH(p,q): UmaComparação Usando Distribuições Normal e t de Student paraos Retornos IBovespaSandra Cristina de OliveiraCampus de Tupã, Universidade Estadual Paulista - UNESPMarinho G. AndradeICMC/São Carlos, Universidade de São Paulo - USPValeria A. M. FerreiraCampus de Sertãozinho, Faculdade de Tecnologia - FATECNeste trabalho comparamos as estimativas Bayesianas obtidas para os parâmetros de modelos GARCH(p,q)considerando distribuições normal e t de student para a distribuição condicional da série de retornos.Adotamos ainda distribuição a priori não-informativa e consideramos uma reparametrização do modeloestudado para mapear o espaço dos parâmetros no espaço real. Os sumários a posteriori foramobtidos por meio dos métodos de simulação de Monte Carlo em Cadeias de Markov (MCMC). Com areparametrização adotada, reduzimos a taxa de rejeição do algoritmo de simulação MCMC, acelerando oprocesso de convergência deste. A metodologia foi avaliada considerando uma série de retornos IBovespa.Palavras-chave: modelos GARCH, métodos MCMC, retornos financeiros.110
- Page 59 and 60: Decisões de Investimento e Restri
- Page 61 and 62: Test for Symmetry in Contingency Ta
- Page 63 and 64: Aplicações de Inferência Bayesia
- Page 65 and 66: Uma Abordagem Bayesiana do Modelo M
- Page 67 and 68: Accounting for Latent Spatio-Tempor
- Page 69 and 70: Uma Abordagem Bayesiana para Proces
- Page 71 and 72: A Bayesian Analysis for the General
- Page 73 and 74: Comparação de um Modelo Dinâmico
- Page 75 and 76: Estimando Variações de Temperatur
- Page 77 and 78: A Bayesian Approach to Multivariate
- Page 79 and 80: Bayesian Inference for Gamma Modula
- Page 81 and 82: Computational Tools for Comparing A
- Page 83 and 84: Modelo Partição Produto com “Cl
- Page 85 and 86: BIC Criterion for Minimal Markov Mo
- Page 87 and 88: Estimadores Lineares Bayesianos em
- Page 89 and 90: Modelos de Volatilidade Estocástic
- Page 91 and 92: Processo de Difusão Multivariado c
- Page 93 and 94: Generalized Latent Factor Models fo
- Page 95 and 96: Measuring Vulnerability via Spatial
- Page 97 and 98: Medidas do Valor Preditivo de um Mo
- Page 99 and 100: Aproximações Analíticas para Pos
- Page 101 and 102: Modelo de Risco Logístico Dependen
- Page 103 and 104: A Practical Approach to Elicit Mult
- Page 105 and 106: Modelos Dinâmicos para Deformaçã
- Page 107 and 108: A Semiparametric Bayesian Approach
- Page 109: Modelo Weibull Modificado de Longa
- Page 113 and 114: Modelo Bayesiano Geral de Classe La
- Page 115 and 116: Métodos de Estimação em Modelos
- Page 117 and 118: LASSO Bayesiano no Mapeamento de QT
- Page 119 and 120: Estudo das Matrizes de Covariância
- Page 121 and 122: Sensibilidade da Inferência Bayesi
- Page 123 and 124: Análise Bayesiana para o Estudo de
- Page 125 and 126: Uma Abordagem Bayesiana para Modelo
- Page 127 and 128: Construção de Tábuas de Mortalid
- Page 129 and 130: Um Procedimento Bayesiano para a An
- Page 131 and 132: Um Novo Modelo para Dependência Es
- Page 133 and 134: Distribuição Geométrica Exponenc
- Page 135 and 136: Morbidade Pulmonar e Condições Cl
- Page 137 and 138: Standard Setting for a Rasch Poisso
- Page 139 and 140: Modelo Logístico Misto com Classes
- Page 141 and 142: Metodologia Bayesiana para Detecç
- Page 143 and 144: Modelos Espaço-Temporais para Dado
- Page 145 and 146: Comparação de Modelos para a Iden
- Page 147 and 148: Modelos Multivariados de Regressão
- Page 149 and 150: Estimação Bayesiana em Modelos de
- Page 151 and 152: Previsão de Resultados de Jogos de
- Page 153 and 154: Uma Abordagem Bayesiana para Modelo
- Page 155 and 156: Análise Bayesiana do Modelo Log-Bi
- Page 157 and 158: Desempate TécnicoFilipe Jaeger Zab
- Page 159 and 160: 10 o Encontro Brasileiro de Estatí
Modelagem Bayesiana Hierárquica em PPNHsMaristela Dias de OliveiraUniversidade Federal de Minas Gerais / Universidade Federal da BahiaEnrico A. ColosimoUniversidade Federal de Minas GeraisGustavo L. GilardoniUniversidade de BrasiliaMuitas aplicações estatísticas envolvem múltiplos parâmetros que podem ser considerados como relacionadosou ligados de alguma forma pela estrutura do problema, implicando que um modelo de probabilidadeconjunta para esses parâmetros deva refletir a dependência entre eles. Uma característica-chavede tais aplicações é que os dados observados, t ij , com unidades indexadas por j, dentro de gruposindexados por i, podem ser usados para estimar aspectos da distribuição populacional dos parâmetros.No contexto de múltiplos sistemas reparáveis, pode ser de interesse investigar se a função intensidade defalhas dos sistemas seguem o mesmo ou diferentes Processos de Poisson Não-Homogêneos (PPNHs). Énatural modelar tal problema hierarquicamente, com os resultados observáveis sendo modelados condicionalmentenessess parâmetros populacionais, que são dados como uma especificação probabilística emtermos de parâmetros adicionais ou hiperparâmetros. Tal pensamento hierárquico ajuda a entender problemasmultiparamétricos. Este trabalho apresenta uma abordagem Bayesiana Hierárquica para modelarPPNHs. A abordagem é então aplicada a dados reais e a dados simulados, e os resultados obtidos sãocomparados aos correspondentes resultados obtidos por máxima verossimilhança.109