Este trabalho apresenta um novo modelo de redes neurais para análise e previsão de séries temporais: o modelo ARMA-CIGMN (do inglês, Autoregressive Moving Average Classical Incremental Gaussian Mixture Network) além dos resultados obtidos pelo mesmo. Este modelo se baseia em modificações realizadas em uma versão reformulada da IGMN. A IGMN Clássica, CIGMN, é similar à versão original da IGMN, porém baseada em uma abordagem estatística clássica, a qual também é apresentada neste trabalho. As modificações do algoritmo da IGMN foram feitas para melhor adpatação a séries temporais. O modelo ARMA-CIGMN demonstra boa capacidade preditiva e a modelagem ainda pode ser auxiliada por conhecidas ferramentas estatísticas como a função de autorrelação (acf, do original em inglês autocorrelation function) e a de autocorrelação parcial (pacf, do original em inglês partial autocorrelation function), já utilizadas em modelagem de séries temporais e nos modelos da IGMN original. As comparações foram feitas utilizando-se séries conhecidas e dados simulados. Foram selecionados para comparação os modelos estatísticos clássicos ARIMA (do inglês, Autoregressive Integrated Moving Average), a IGMN original e duas modificações feitas ainda na IGMN original:(i) um modelo similar ao modelo ARMA (do inglês, Autoregressive Moving Average) clássico e (ii) um modelo similar ao modelo NOE (do inglês, Nonlinear Output Error). Também é apresentada um versão reformulada da IGMN, usando a abordagem clássica da estatística, necessária para o desenvolvimento do modelo ARMA-CIGMN. / This work presents a new model of neural network for time series analysis and forecasting: the ARMA-CIGMN (Autoregressive Moving Average Classical Incremental Gaussian Mixture Network) model and its analysis. This model is based on modifications made to a reformulated IGMN, the Classical IGMN (CIGMN). The CIGMN is similar to the original IGMN, but based on a classical statistical approach. The modifications to the IGMN algorithm were made to better fit it to time series. The proposed ARMA-CIGMN model demonstrates good forecasts and the modeling procedure can also be aided by known statistical tools as the autocorrelation (acf) and partial autocorrelation functions (pacf), already used in classical statistical time series modeling and also with the original IGMN algorithm models. The ARMA-CIGMN model was evaluated using known series and simulated data. The models used for comparisons were the classical statistical ARIMA model and its variants, the original IGMN and two modifications over the original IGMN: (i) a modification similar to a classical ARMA (Autoregressive Moving Average) model and (ii) a similar NOE (Nonlinear Output Error) model. It is also presented a reformulated IGMN version with a classical statistical approach, which is needed for the ARMA-CIGMN model.

Muitas vezes, é de interesse na análise de séries temporais verificar se existe periodicidade numa série dada. Para isso é empregada a análise espectral clássica, utilizando a função densidade espectral e a função periodograma. O objeti,·o desse trabalho é fornecer uma análise espectral alternativa baseada em cruzamentos de ordem superior, ou HOC. Enunciamos um teorema que mostra a relação entre análise espectral clássica e análise espectral utilizando cruzamento de ordem superior. / In the analysis of time series, it is often intercsting to seek for periodicities in a given series, where the classical spectral analysis is used through the spectral density and periodogram functions . The goal of this work is to supply an alternative spectral analysis technique based on Higher Order Crossings or HOC. A theorem showing the relationship between classical spcctral analysis and Higher Order Crossings is given.

Estudos recentes em séries temporais direcionam-se àquelas que apresentam característica de longa dependência, ou seja, séries temporais nas quais a dependência entre observações distantes não é desprezível. Neste trabalho, analisamos o modelo ARFIN!A(p, d,q ), para dE (0,0;0,5), que apresenta a. característica de longa dependência. Como estimativas para o grau de diferenciação d consideramos os estimadores obtidos através da função periodograma, da função periodograma suavizado e da função de máxima verossimilhança sugerida por Whittle, comparando a variância e o erro quadrático médio destes estimadores através de diversas simulações. / Recent work on time series analysis is concerned with the property of long mcmory, that is, time series in which the dependence between distant observations is not negligible. In this work we analyzc the ARF I .NI A(p, d, q) model, for d E (0.0; 0.5), that has the property of long memory. We consider estimators for the degree of differencing d based on the perioclogram function, on the smoothed periodogram function , anel on the maximum likelihood function suggested by Whittle. Through several simulations we compare the variance anel the mean squared error for these estimators.

Muitas vezes, é de interesse na análise de séries temporais verificar se existe periodicidade numa série dada. Para isso é empregada a análise espectral clássica, utilizando a função densidade espectral e a função periodograma. O objeti,·o desse trabalho é fornecer uma análise espectral alternativa baseada em cruzamentos de ordem superior, ou HOC. Enunciamos um teorema que mostra a relação entre análise espectral clássica e análise espectral utilizando cruzamento de ordem superior. / In the analysis of time series, it is often intercsting to seek for periodicities in a given series, where the classical spectral analysis is used through the spectral density and periodogram functions . The goal of this work is to supply an alternative spectral analysis technique based on Higher Order Crossings or HOC. A theorem showing the relationship between classical spcctral analysis and Higher Order Crossings is given.

Estudos recentes em séries temporais direcionam-se àquelas que apresentam característica de longa dependência, ou seja, séries temporais nas quais a dependência entre observações distantes não é desprezível. Neste trabalho, analisamos o modelo ARFIN!A(p, d,q ), para dE (0,0;0,5), que apresenta a. característica de longa dependência. Como estimativas para o grau de diferenciação d consideramos os estimadores obtidos através da função periodograma, da função periodograma suavizado e da função de máxima verossimilhança sugerida por Whittle, comparando a variância e o erro quadrático médio destes estimadores através de diversas simulações. / Recent work on time series analysis is concerned with the property of long mcmory, that is, time series in which the dependence between distant observations is not negligible. In this work we analyzc the ARF I .NI A(p, d, q) model, for d E (0.0; 0.5), that has the property of long memory. We consider estimators for the degree of differencing d based on the perioclogram function, on the smoothed periodogram function , anel on the maximum likelihood function suggested by Whittle. Through several simulations we compare the variance anel the mean squared error for these estimators.

Este trabalho aplica algumas formas de penalização tipo LASSO aos coeficientes para reduzir a dimensionalidade do espaço paramétrico em séries temporais, no intuito de melhorar as previsões fora da amostra. Particularmente, o método denominado aqui como WLadaLASSO atribui diferentes pesos para cada coeficiente e para cada defasagem. Nas implementações de Monte Carlo deste trabalho, quando comparado a outros métodos de encolhimento do conjunto de coeficientes, essencialmente nos casos de pequenas amostras, o WLadaLASSO mostra superioridade na seleção das covariáveis, na estimação dos parâmetros e nas previsões. Uma aplicação a séries macroeconômicas brasileiras também mostra que tal abordagem apresenta a melhor performance de previsão do PIB brasileiro comparada a outras abordagens. / This dissertation applies some forms of LASSO-type penalty on the coefficients to reduce the dimensionality of the parameter space in time series, in order to improve the out-of-sample forecasting. Particularly, the method named here as WLadaLASSO assigns different weights to each coefficient and lag period. In Monte Carlo implementations in this study, when compared to other shrinkage methods, essentially for small samples, the WLadaLASSO shows superiority in the covariable selection, in the parameter estimation and in forecasting. An application to Brazilian macroeconomic series also shows that this approach has the best forecasting performance of the Brazilian GDP compared to other approaches.

Este trabalho apresenta um novo modelo de redes neurais para análise e previsão de séries temporais: o modelo ARMA-CIGMN (do inglês, Autoregressive Moving Average Classical Incremental Gaussian Mixture Network) além dos resultados obtidos pelo mesmo. Este modelo se baseia em modificações realizadas em uma versão reformulada da IGMN. A IGMN Clássica, CIGMN, é similar à versão original da IGMN, porém baseada em uma abordagem estatística clássica, a qual também é apresentada neste trabalho. As modificações do algoritmo da IGMN foram feitas para melhor adpatação a séries temporais. O modelo ARMA-CIGMN demonstra boa capacidade preditiva e a modelagem ainda pode ser auxiliada por conhecidas ferramentas estatísticas como a função de autorrelação (acf, do original em inglês autocorrelation function) e a de autocorrelação parcial (pacf, do original em inglês partial autocorrelation function), já utilizadas em modelagem de séries temporais e nos modelos da IGMN original. As comparações foram feitas utilizando-se séries conhecidas e dados simulados. Foram selecionados para comparação os modelos estatísticos clássicos ARIMA (do inglês, Autoregressive Integrated Moving Average), a IGMN original e duas modificações feitas ainda na IGMN original:(i) um modelo similar ao modelo ARMA (do inglês, Autoregressive Moving Average) clássico e (ii) um modelo similar ao modelo NOE (do inglês, Nonlinear Output Error). Também é apresentada um versão reformulada da IGMN, usando a abordagem clássica da estatística, necessária para o desenvolvimento do modelo ARMA-CIGMN. / This work presents a new model of neural network for time series analysis and forecasting: the ARMA-CIGMN (Autoregressive Moving Average Classical Incremental Gaussian Mixture Network) model and its analysis. This model is based on modifications made to a reformulated IGMN, the Classical IGMN (CIGMN). The CIGMN is similar to the original IGMN, but based on a classical statistical approach. The modifications to the IGMN algorithm were made to better fit it to time series. The proposed ARMA-CIGMN model demonstrates good forecasts and the modeling procedure can also be aided by known statistical tools as the autocorrelation (acf) and partial autocorrelation functions (pacf), already used in classical statistical time series modeling and also with the original IGMN algorithm models. The ARMA-CIGMN model was evaluated using known series and simulated data. The models used for comparisons were the classical statistical ARIMA model and its variants, the original IGMN and two modifications over the original IGMN: (i) a modification similar to a classical ARMA (Autoregressive Moving Average) model and (ii) a similar NOE (Nonlinear Output Error) model. It is also presented a reformulated IGMN version with a classical statistical approach, which is needed for the ARMA-CIGMN model.

Orientador: Emanuel Pimentel Barbosa / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Matematica, Estatistica e Computação Cientifica / Made available in DSpace on 2018-08-05T13:04:51Z (GMT). No. of bitstreams: 1 Gomes_DanielTakata_M.pdf: 3107518 bytes, checksum: c063e22a01c9ebf48a081c148b6138d8 (MD5) Previous issue date: 2005 / Resumo: É de grande interesse o estudo de previsão de séries temporais, ou seja, conseguir identificar características do processo num ponto futuro. Para isso, é necessário estimar com precisão, ou pelo menos com uma boa aproximação, o processo gerador dos dados. Nos últimos anos, modelos de redes neurais artificiais vêm desempenhando um papel crescente na abordagem e solução de problemas estatísticos importantes. A estrutura mais básica de rede neural, as redes progressivas ou feedforward, sem retroalimentação, têm se mostrado uma alternativa vantajosa, em alguns casos, em relação aos modelos lineares tradicionais. No entanto, algumas séries apresentam características que permitem introduzir algum tipo de realimentação na rede. Tal rede chamada de rede neural recorrente, ferramenta ainda pouco explorada pela comunidade estatística. São dois os principais objetivos da dissertação. Primeiro, o estudo de redes neurais recorrentes para predição de séries temporais, o que compreende sua fundamentação teórica, principais arquiteturas e algoritmos de aprendizagem e sua implementação computacional. Segundo, estudo comparativo da performance preditiva dessas redes para séries temporais, tanto no caso de séries temporais de memória curta quanto de memória longa, tomando-se como referência modelos padrão tipo ARIMA e ARFIMA. São utilizadas séries espaciais (dados de variáveis do solo) e séries temporais (séries de inflações de países desenvolvidos). Os resultados mostram que o uso das redes para predição é vantajoso em relação a modelos lineares para diversas séries. Também é desenvolvido um novo modelo (redes neurais com pesos variáveis) e seu correspondente algoritmo de estimação baseado nas características dos dados / Abstract: Forecasting of time series is a topic of great interest nowadays. To do so, the data generating process needs to be estimated with a good degree of accuracy. In the last years, artificial neural networks are becoming more important in the statistical community. The more basic structure of a neural network, the feedforward neural nets, without feedback, can be a profitable alternative, in some cases, comparing to linear traditional models. However, some time series present characteristics that allow to introduce some kind of feedback in the network. Such network is called recurrent neural network, a tool not so popular in the statistical community.Two of the main concerns of this work are the study of recurrent neural networks for prediction of time series (theoretical fundamental, main architectures and learning algorithms) and the comparative study of the predictive performance of these networks for short and long memory time series. Spatial series (solo science data) and time series (inflation data) are used. The results show that the networks have good prediction performance comparing to linear models in several series. A new model (neural networks with varying coefficients) and its estimation algorithm are proposed, based in the data characteristics / Mestrado / Mestre em Estatística

Orientadores: Luiz Koodi Hotta, Mauricio Enrique Zevallos Herencia / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Matematica, Estatistica e Computação Cientifica / Made available in DSpace on 2018-08-06T01:07:19Z (GMT). No. of bitstreams: 1 Paula_Julianade_M.pdf: 3543274 bytes, checksum: 420906ec38aaafeee50d465a68850a25 (MD5) Previous issue date: 2006 / Resumo: O conceito de contagio tem sido um dos mais discutidos na literatura de finanças internacionais a partir da ultima década do século XX. Embora não exista uma forte concordância em relação à sua definição, todos concordam em que ele esta relacionado ao fato de que crises econômicas iniciadas em um período podem propagarem-se por outros países através do aumento das conexões entre os países envolvidos. Neste sentido, um dos indicadores utilizados para verificar a existência de contágio e o aumento da correlação condicional em um período de crise com relação a períodos tranqüilos. Neste trabalho são estudadas algumas técnicas estatísticas para estimar a correlação condicional. São considerados estimativas através do método do alisamento exponencial, de modelos da família GARCH multivariada e utilizando a analise fatorial com modelos de volatilidade estocástica. Estas técnicas são empregadas para estudar o contagio que envolvam países latino-americanos e alguns países asiáticos, quais sejam, Brasil, México, Argentina, Malásia e Rússia ao longo do período de 05/09/1995 a 30/12/2004. Nota-se que existe unanimidade nos resultados com relação a existência ou não de contagio entre as técnicas para alguns países em determinados período de tempo, principalmente durante a crise asiática, mas existem períodos onde essas técnicas levam a conclusões diferentes / Abstract: The issue of contagion has been one of the most debated in the international finance literature in the last years. Although there is no general agreement regarding the definition of contagion, it is known that this issue is related to the fact that crisis started in one country tend to propagate to other countries. Therefore, a measure used as an indication of the presence of contagion is the growth of the conditional correlation during crisis periods. This dissertation review some of the statistical techniques used to estimate conditional correlation: the exponential smoothing method, multivariate GARCH type models and factor analysis with stochastic volatility model. These techniques are applied in order to study contagion among Latin American and some asian market countries, i.e. Brazil, Mexico, Argentina, Malaysia and Russia covering the period from 05/09/1995 until 30/12/2004. In some crisis period, mainly during the Asian crisis there is a general agreement among all techniques, but there also cases where they lead to different conclusions / Mestrado / Mestre em Estatística

Orientador: Emanuel Pimentel Barbosa / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Matematica, Estatistica e Computação Cientifica / Made available in DSpace on 2018-08-08T06:20:36Z (GMT). No. of bitstreams: 1 Barbao_Jaqueline_M.pdf: 5813756 bytes, checksum: 029960ddd670b1a986b10c66dba44508 (MD5) Previous issue date: 2007 / Resumo: Neste trabalho são estudadas 4 metodologias para análise de ciclos em séries temporais, das quais 3 delas foram mais recentemente desenvolvidas na literatura. A primeira, proposta por Kaiser e Maravall (2001), se baseia numa modificação do filtro Hodrick-Prescott (HP) unidimensional através de uma abordagem por modelos ARIMA. A segunda, desenvolvida em Mills (2003) consiste numa extensão multivariada do filtro HP. A terceira, utiliza modelos de espaço de estado ou estruturais (Durbin e Koopman.2001), uni-variados e multivariados para decompor a série. A quarta, é um método mais tradicional, aqui tomado como referência comparativa e que se baseia em modelos de regressão (não-linear) harmónica. Utilizando 3 séries de índices macroeconômicos da Espanha (índice de produção industrial, consumo de cimento e número de biblhetes vendidos de passagens aéreas), e 2 séries de fenômenos naturais (chuvas em Fortaleza e número médio de manchas solares), esses métodos são implementados e seus resultados discutidos e avaliados comparativamente. Aspectos dessa avaliação incluem a facilidade de implementação, capacidade de descrição e previsão, e qualidade da componente cíclica estimada. / Abstract: The analysis of cycles in time series is considered in this investigation through four methodologies, of which three were more recently developed in literature. The first method, proposed in Kaiser and Maravall (2001), is based on a modification of the unidimensional Hodrick-Prescot filter (HP) through ARIMA models approach. The second method, developed in Mills (2003), consists of a multivaxiate extension of the HP filter, whereas the third method, which follows Durbin and Koopman (2001), decomposes the series through either univariate or multiariate state space models. The fourth method, which is traditional in literature and based on harmonic non-linear regression models, is taken in order to be used as standard reference for comparison. These methods are applied in three Spanish macroeconomic time series (industry production index, cement consumption and airline tickets sales) and two natural phenomena time series (rainfall in Fortaleza/Brazil and sunspot average number). These methodologies are examined with respect the facilities of the implementation, forecasting and description capability, and the quality of the estimated cycle component. / Mestrado / Mestre em Estatística