Spelling suggestions: "subject:"[een] LABOR FORCE SURVEY"" "subject:"[enn] LABOR FORCE SURVEY""
1 |
[pt] ENSAIOS SOBRE PREVISÃO DE SÉRIES TEMPORAIS HIERÁRQUICAS / [en] ESSAYS ON HIERARCHICAL TIME SERIES FORECASTINGMAURICIO FRANCA LILA 04 July 2023 (has links)
[pt] O presente estudo, apresenta um conjunto de propostas metodológicas
relacionadas a reconciliação de previsões em Séries Temporais Hierárquicas.
O principal objetivo é apresentar soluções originais ao tema, buscando obter
previsões mais acuradas do que as obtidas por modelos independentes para
os diferentes níveis da hierarquia. Os estudos foram realizados considerando
dados reais, mostrando a potencialidade de aplicação dos métodos desenvolvidos em diferentes cenários, onde as series temporais são estruturadas de forma
hierárquica. Esta tese é composta por um conjunto de ensaios que exploram
a reconciliação de previsão sob a ótica de um modelo de regressão, que dá
origem a reconciliação ótima. A primeira contribuição trata do problema da
reconciliação de previsões na perspectiva de estimadores robustos. A proposta
apresenta uma contribuição original aplicada a dados dos de pesquisas de força
de trabalho no Brasil, apresentando um conjunto de soluções que podem direcionar políticas públicas eficientes. Neste caso, as previsões reconciliadas obtidas através de estimadores robustos possibilitaram um maior ganho em termos
acurácia e uma performance equivalente aos métodos que representam o estado da arte sobre reconciliação de previsões em séries temporais hierárquicas.
A segunda contribuição trata do problema da reconciliação ótima em séries
de consumo de energia no Brasil, apresentado uma proposta alternativa, menos sensível a valores estremos. Os resultados obtidos neste segundo trabalho
apresentam melhoramentos consideráveis em métricas de avaliação padrão no
que diz respeito as novas previsões. Uma terceira proposta busca oferecer uma
estrutura alternativa de covariância dos erros de previsão, que irá ampliar o
conjunto de propostas apresentadas na literatura para o método de reconciliação denominado por MinT (do inglês, Minimum Trace) , que minimiza os
erros de reconciliação, oferecendo um estimador de variância mínima. / [en] This study presents a set of methodological proposals aimed at improving forecast reconciliation in the context of Hierarchical Time Series. The main
objective is to present original solutions to the theme, seeking to obtain more
accurate forecasts than those obtained by independent models for the different
levels of the hierarchy. The studies were conducted using real data, showing
the potentiality of application of the methods developed in different scenarios,
in which the time series are structured in a hierarchical fashion. This thesis
is composed of a set of essays that explore forecast reconciliation from the
perspective of a regression model, which gives foundations to optimal reconciliation. The first contribution addresses the problem of forecast reconciliation
from the perspective of robust estimators. The proposal presents an original
contribution applied to data from labor force surveys in Brazil, presenting a
set of solutions that can drive efficient public policies. In this case, the reconciled forecasts obtained through robust estimators provided consistent gains
in terms of accuracy when compared to methods that represent the state-of-the-art on forecast reconciliation in hierarchical time series. The second contribution deals with the problem of optimal reconciliation applied to energy
consumption time series in Brazil. We present an alternative proposal, less
sensitive to outlying forecasts at the reconciliation stage. The results obtained
in this second study show considerable improvements in standard evaluation
metrics with regard to the new forecasts. The third proposal seeks to offer
robust covariance structures for forecasting errors, which expands the set of
strategies presented in the literature. The main contribution is to incorporate
robust covariance estimates into the MinT (Minimum Trace) reconciliation
approach, which minimizes reconciliation errors, offering an estimator with
minimum variance.
|
Page generated in 0.0327 seconds