Untitled - UFRJ
Untitled - UFRJ Untitled - UFRJ
Bayesian Analysis of Intervention Model with AR ErrorApplied to the IPCA SeriesLetícia Lima Milani RodriguesUniversidade Federal de Alfenas - Unifal-MGGislene Araújo PereiraUniversidade Federal de Alfenas - Unifal-MGDeive Ciro de OliveiraUniversidade Federal de Alfenas - Unifal-MGThis study aimed the fit to intervention model with AR error for the series of Index Consumer PriceIndex - IPCA, from January 1992 to October 2009, using Bayesian focus. The IPCA Series had oneintervention on June 1994, the launch date of the new currency, the Real. The inference about theparameters was performed by applying the Gibbs sampler, considering the marginal complete distributions.For the Bayesian analysis of the intervention model with AR (1) error, was used a priori improperJeffreys. The analysis was made with 20,000 iterations. To check convergence, we used the method ofgraphic techniques and the method proposed by Geweke (1992). The convergence of parameters waschecked by both methods.131
Distribuição Geométrica Exponencial com Função de RiscoCrescenteMari RomanCER-DEs - Universidade Federal de São CarlosFrancisco Louzada-NetoCER-DEs - Universidade Federal de São CarlosVicente Garibay CanchoICMC - USPEste trabalho propõem uma distribuição geométrica exponencial (GED) com função de risco crescente,como alternativa aos modelos GED propostos por Adamidis & Loukas (1998) e Adamidis et. al (2005).Realizamos o estudo de um conjunto de dados artificiais, para o qual propomos a abordagem Bayesiana,via Metropolis-Hasting. Os parâmetros foram transformados para não restringir o espaço paramétrico eforam consideradas distribuições normais a priori para os mesmos. No processo iterativo considerou-seburn in de 2000 comintervalo entre os valores gerados de tamanho 160. Foram calculados os intervalosde credibilidade e HPD, os quais contêm os verdadeiros valores dos parâmetros.132
- 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 and 110: Modelo Weibull Modificado de Longa
- Page 111 and 112: Abordagem Bayesiana para Modelos GA
- 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: Um Novo Modelo para Dependência Es
- 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
- Page 161 and 162: 10 o Encontro Brasileiro de Estatí
- Page 163: 10 o Encontro Brasileiro de Estatí
Distribuição Geométrica Exponencial com Função de RiscoCrescenteMari RomanCER-DEs - Universidade Federal de São CarlosFrancisco Louzada-NetoCER-DEs - Universidade Federal de São CarlosVicente Garibay CanchoICMC - USPEste trabalho propõem uma distribuição geométrica exponencial (GED) com função de risco crescente,como alternativa aos modelos GED propostos por Adamidis & Loukas (1998) e Adamidis et. al (2005).Realizamos o estudo de um conjunto de dados artificiais, para o qual propomos a abordagem Bayesiana,via Metropolis-Hasting. Os parâmetros foram transformados para não restringir o espaço paramétrico eforam consideradas distribuições normais a priori para os mesmos. No processo iterativo considerou-seburn in de 2000 comintervalo entre os valores gerados de tamanho 160. Foram calculados os intervalosde credibilidade e HPD, os quais contêm os verdadeiros valores dos parâmetros.132