O objetivo deste trabalho é comparar as estruturas de vizinhanças espaciais ou matrizes de pesos espaciais da classe de modelos autorregressivos e de médias móveis espaço-temporais (STARMA). O modelo STARMA é empregado para descrever dados de séries temporais espacialmente localizados, ele é caracterizado pela dependência linear defasada tanto no espaço quanto no tempo. Foram realizadas simulações utilizando vários modelos de covariância espaço-temporal para comparar diferentes estruturas de construção da matriz de pesos espaciais com a finalidade de identificar a melhor matriz. As matrizes espaciais com pesos exponenciais apresentaram os melhores desempenhos de ajuste dos modelos STAR; e mostram uma estabilidade em relação à medida de ajuste. Por fim para ilustração, será ajustado um modelo STARMA para um conjunto de dados mensais do índice FIPEZAP de preço imobiliário de venda para apartamentos de dois dormitórios de seis cidades metropolitanas de São Paulo. / The objective of this work is to compare spatial neighborhoods structures, or the same as spatial weights matrices of the class of space-time autoregressive and moving average models STARMA. The STARMA model is used to describe spatially localized time series datas, it is characterized by the linear dependence lagged both in space and time. Simulations were performed using several space-time covariance models to compare different structures of construction of the weight matrix with the purpose of identifying the best matrix. The spatial matrices with exponential weights presented the best adjustment performances of the STAR models ans showed a stability in relation to the adjustment measure. Finally, for illustration, a STARMA model will be adjusted for a set of monthly data of the FIPEZAP real estate price index for two bedroom apartments in six metropolitan cities of São Paulo.

A modelagem de processos espaço-temporais é de suma importância para dados climatológicos, visto que o clima sofre influência temporal e espacial. A classe de modelos STARMA, autorregressivo e de médias móveis espaço-temporal, adequa-se a esses processos, porém, não há, na literatura, um estudo sobre o melhor método para quantificar a dependência espacial, e não é sabido se há uma diferença entre os métodos para esses modelos. Logo, neste trabalho, é realizado um estudo de simulações do modelo STAR, utilizando-se diferentes formas para obter os pesos espaciais. Após concluir as simulações é realizado o ajuste de um modelo STARIMA para um conjunto de dados de médias mensais de temperaturas mínimas diárias coletadas em uma mesorregião localizada no Oeste do Estado do Paraná. Este trabalho é separado em dois artigos e ambos são realizados utilizando-se o programa R. O primeiro é o estudo de simulações, chegando-se à conclusão de que o método para determinar a dependência espacial interfere no resultado da modelagem e depende da região em estudo. No segundo artigo, conclui-se que o inverso da distância é a melhor opção para a matriz de pesos e um modelo STARIMA sazonal tem o melhor ajuste para o conjunto de dados em questão. / Process modeling spatio-temporal is of great importance for climatological data, once that the climate undergoes spatial and temporal influence. The class of models STARMA, autoregressive models and spatio-temporal moving averages, are suitable to the these processes, however, for these models, there is not a study about the best method to quantify the spatial dependence, and/or it is not known whether there is a difference between the methods for these models. In this thesis, a study simulations of the STAR model using different forms for the spatial weights is performed. After the simulation procedure, the STARIMA model is fitted to the real dataset of monthly mean daily minimum temperatures collected in a mesoregion located to the west of the state of Paraná. This thesis is separated into two papers and both are performed using the statistical software R. The first one is the simulation study that concludes that the method for determining the spatial dependence interferes with results of the modeling and depends on the region under study. In the second paper, it is concluded that the inverse distance is the best option for the weight matrix and a seasonal STARIMA model has the best fit for the data set.

O objetivo deste trabalho é comparar as estruturas de vizinhanças espaciais ou matrizes de pesos espaciais da classe de modelos autorregressivos e de médias móveis espaço-temporais (STARMA). O modelo STARMA é empregado para descrever dados de séries temporais espacialmente localizados, ele é caracterizado pela dependência linear defasada tanto no espaço quanto no tempo. Foram realizadas simulações utilizando vários modelos de covariância espaço-temporal para comparar diferentes estruturas de construção da matriz de pesos espaciais com a finalidade de identificar a melhor matriz. As matrizes espaciais com pesos exponenciais apresentaram os melhores desempenhos de ajuste dos modelos STAR; e mostram uma estabilidade em relação à medida de ajuste. Por fim para ilustração, será ajustado um modelo STARMA para um conjunto de dados mensais do índice FIPEZAP de preço imobiliário de venda para apartamentos de dois dormitórios de seis cidades metropolitanas de São Paulo. / The objective of this work is to compare spatial neighborhoods structures, or the same as spatial weights matrices of the class of space-time autoregressive and moving average models STARMA. The STARMA model is used to describe spatially localized time series datas, it is characterized by the linear dependence lagged both in space and time. Simulations were performed using several space-time covariance models to compare different structures of construction of the weight matrix with the purpose of identifying the best matrix. The spatial matrices with exponential weights presented the best adjustment performances of the STAR models ans showed a stability in relation to the adjustment measure. Finally, for illustration, a STARMA model will be adjusted for a set of monthly data of the FIPEZAP real estate price index for two bedroom apartments in six metropolitan cities of São Paulo.

A modelagem de processos espaço-temporais é de suma importância para dados climatológicos, visto que o clima sofre influência temporal e espacial. A classe de modelos STARMA, autorregressivo e de médias móveis espaço-temporal, adequa-se a esses processos, porém, não há, na literatura, um estudo sobre o melhor método para quantificar a dependência espacial, e não é sabido se há uma diferença entre os métodos para esses modelos. Logo, neste trabalho, é realizado um estudo de simulações do modelo STAR, utilizando-se diferentes formas para obter os pesos espaciais. Após concluir as simulações é realizado o ajuste de um modelo STARIMA para um conjunto de dados de médias mensais de temperaturas mínimas diárias coletadas em uma mesorregião localizada no Oeste do Estado do Paraná. Este trabalho é separado em dois artigos e ambos são realizados utilizando-se o programa R. O primeiro é o estudo de simulações, chegando-se à conclusão de que o método para determinar a dependência espacial interfere no resultado da modelagem e depende da região em estudo. No segundo artigo, conclui-se que o inverso da distância é a melhor opção para a matriz de pesos e um modelo STARIMA sazonal tem o melhor ajuste para o conjunto de dados em questão. / Process modeling spatio-temporal is of great importance for climatological data, once that the climate undergoes spatial and temporal influence. The class of models STARMA, autoregressive models and spatio-temporal moving averages, are suitable to the these processes, however, for these models, there is not a study about the best method to quantify the spatial dependence, and/or it is not known whether there is a difference between the methods for these models. In this thesis, a study simulations of the STAR model using different forms for the spatial weights is performed. After the simulation procedure, the STARIMA model is fitted to the real dataset of monthly mean daily minimum temperatures collected in a mesoregion located to the west of the state of Paraná. This thesis is separated into two papers and both are performed using the statistical software R. The first one is the simulation study that concludes that the method for determining the spatial dependence interferes with results of the modeling and depends on the region under study. In the second paper, it is concluded that the inverse distance is the best option for the weight matrix and a seasonal STARIMA model has the best fit for the data set.