DivulgaÃÃo de minicurso

[antonio eduardo gomes <aegomes@unb.br>]

        UNIVERSIDADE DE BRASÃLIA
PROGRAMA DE PÃS-GRADUAÃÃO EM ESTATÃSTICA

Data: 27/01/2011 (Quinta-feira)
HorÃrio: 	14:00 Ãs 18:00
Local: Departamento de EstatÃstica -MÃdulo 15âSala 34âsubsolo.

Minicurso: Modelos DinÃmicos Lineares Generalizados com FunÃÃes de  
TransferÃncia
Palestrante: Profa. Mariane Branco Alves (IM-UFRJ)

Resumo: Modelos dinÃmicos lineares constituem uma poderosa estrutura para
a anÃlise de sÃries temporais, uma vez que, ao permitir a evoluÃÃo de seus
parÃmetros, explicitamente determinam a forma como estes parÃmetros
relacionam-se a seus valores passados. Uma hipÃtese bastante restritiva nessa
classe de modelos à a de que a variÃvel resposta deva ser Gaussiana. Os
modelos dinÃmicos lineares generalizados estendem a classe dos modelos
dinÃmicos lineares, permitindo respostas cujas distribuiÃÃes pertenÃam Ã
famÃlia exponencial. Essa classe de modelos tambÃm pode ser vista como uma
extensÃo dos modelos lineares generalizados, estruturando formalmente a
auto-correlaÃÃo inerente Ãs series temporais. Uma outra vantagem dos modelos
dinÃmicos lineares generalizados à a construÃÃo de preditores formados
por blocos estruturais com interpretaÃÃo clara, tais como tendÃncia,
sazonalidade e efeitos de regressoras. A motivaÃÃo primordial para a estrutura
dos preditores a serem tratados neste curso deve-se ao fato de que, em uma
anÃlise temporal, Ã  possÃvel  assumir-se que variaÃÃes em uma regressora nÃo
tenham impacto apenas imediato sobre a resposta esperada, mas que seu efeito
se propague, de alguma forma, por instantes futuros. Adotamos funÃÃes de
transferÃncia para modelagem de tais efeitos propagados. Toda a inferÃncia
à realizada sob o paradigma Bayesiano, tendo-se duas fontes de dificuldades
para a obtenÃÃo analÃtica de distribuiÃÃes a posteriori: a natureza
nÃo-gaussiana da resposta, associada a prioris nÃo conjugadas e, caso haja
parÃmetros autoregressivos na funÃÃo de transferÃncia, a nÃo-linearidade do
preditor em tais parÃmetros. Utilizam-se, entÃo, mÃtodos de Monte Carlo via
Cadeias de Markov para obtenÃÃo de amostras da distribuiÃÃo a posteriori
conjunta dos parÃmetros envolvidos nos modelos apresentados. O curso pretende
fazer uma introduÃÃo aos modelos dinÃmicos lineares generalizados e funÃÃes de
transferÃncia, abordando os aspectos computacionais envolvidos na realizaÃÃo
de inferÃncia sobre esse tipo de modelo.