Submitted by Danielle Karla Martins Silva (danielle.martins@ufpe.br) on 2015-03-12T13:01:25Z No. of bitstreams: 2 DISSERTAÇÃO FINAL - SADRAQUE ENEAS DE FIGUEIREDO LUCENA.pdf: 1824920 bytes, checksum: 893382afbc1ec6488124ee05b213f03e (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) / Made available in DSpace on 2015-03-12T13:01:25Z (GMT). No. of bitstreams: 2 DISSERTAÇÃO FINAL - SADRAQUE ENEAS DE FIGUEIREDO LUCENA.pdf: 1824920 bytes, checksum: 893382afbc1ec6488124ee05b213f03e (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Previous issue date: 2013 / CAPES / Em determinados estudos, a modelagem de dados por meio de regressão pode levar a dois ou mais modelos com ajustes semelhantes, mas com especificações distintas. Se qualquer um dos modelos avaliados não pode ser obtido do outro por meio de restrições sobre os parâmetros que os indexam, estes são ditos não-encaixados. Em se tratando de modelos de regressão beta, que são adequados a dados cuja variável resposta varia no intervalo (0;1), os mesmos são não encaixados quando os modelos diferem nos regressores e/ou nos casos em que há distinção na função de ligação associada ao preditor linear utilizado no submodelo da média ou da precisão. Nessas situações, os testes propostos para avaliar qual dos modelos está corretamente especificado não podem ser aplicados, pois são adequados apenas a modelos lineares de regressão. Neste sentido, a presente dissertação tem por objetivo apresentar uma adaptação no teste J – o mais utilizado em regressões na avaliação de hipóteses não-encaixadas – e em sua modificação, o teste MJ. Foram avaliados cenários em que os modelos diferem nos regressores e nas funções de ligação considerando-se pequenos tamanhos de amostra, uma vez que em amostras grandes as aproximações assintóticas são válidas. A avaliação foi baseada nas taxas de rejeição nula dos testes, sendo comparados os resultados dos testes com suas versões bootstrap. De acordo com os resultados, as taxas de rejeição dos testes tenderam aos valores desejados de acordo com o aumento do tamanho da amostra e a utilização de uma esquema bootstrap reduziu consideravelmente as distorções de tamanho.

[pt] As Redes Neurais Artificiais (RNAs) começaram a ser desenvolvidas nos anos 1940. Porém, foi a partir dos anos 1980, com a popularização e o aumento de capacidade dos computadores, que as RNAs passaram a ter grande relevância. Também nos anos 1980, houve dois outros acontecimentos acadêmicos relacionados ao presente trabalho: (i) um grande crescimento do interesse de econometristas por modelos não lineares, que culminou nas abordagens econométricas para RNAs, no final desta década; e (ii) a introdução do Método Generalizado dos Momentos (MGM) para estimação de parâmetros, em 1982. Nas abordagens econométricas de RNAs, sempre predominou a estimação por Quasi Máxima Verossimilhança (QMV). Apesar de possuir boas propriedades assintóticas, a QMV é muito suscetível a um problema nas estimações em amostra finita, conhecido como sobreajuste. O presente trabalho estende o estado da arte em abordagens econométricas de RNAs, apresentando uma proposta alternativa à estimação por QMV que preserva as suas boas propriedades assintóticas e é menos suscetível ao sobreajuste. A proposta utiliza a estimação pelo MGM. Como subproduto, a estimação pelo MGM possibilita a utilização do chamado Teste J para verifificar a existência de não linearidade negligenciada. Os estudos de Monte Carlo realizados indicaram que as estimações pelo MGM são mais precisas que as geradas pela QMV em situações com alto ruído, especialmente em pequenas amostras. Este resultado é compatível com a hipótese de que o MGM é menos suscetível ao sobreajuste. Experimentos de previsão de taxas de câmbio reforçaram estes resultados. Um segundo estudo de Monte Carlo apontou boas propriedades em amostra finita para o Teste J aplicado à não linearidade negligenciada, comparado a um teste de referência amplamente conhecido e utilizado. No geral, os resultados apontaram que a estimação pelo MGM é uma alternativa recomendável, em especial no caso de dados com alto nível de ruído. / [en] Artificial Neural Networks (ANN) started being developed in the decade of 1940. However, it was during the 1980 s that the ANNs became relevant, pushed by the popularization and increasing power of computers. Also in the 1980 s, there were two other two other academic events closely related to the present work: (i) a large increase of interest in nonlinear models from econometricians, culminating in the econometric approaches for ANN by the end of that decade; and (ii) the introduction of the Generalized Method of Moments (GMM) for parameter estimation in 1982. In econometric approaches for ANNs, the estimation by Quasi Maximum Likelihood (QML) always prevailed. Despite its good asymptotic properties, QML is very prone to an issue in finite sample estimations, known as overfiting. This thesis expands the state of the art in econometric approaches for ANNs by presenting an alternative to QML estimation that keeps its good asymptotic properties and has reduced leaning to overfiting. The presented approach relies on GMM estimation. As a byproduct, GMM estimation allows the use of the so-called J Test to verify the existence of neglected nonlinearity. The performed Monte Carlo studies indicate that the estimates from GMM are more accurate than those generated by QML in situations with high noise, especially in small samples. This result supports the hypothesis that GMM is susceptible to overfiting. Exchange rate forecasting experiments reinforced these findings. A second Monte Carlo study revealed satisfactory finite sample properties of the J Test applied to the neglected nonlinearity, compared with a reference test widely known and used. Overall, the results indicated that the estimation by GMM is a better alternative, especially for data with high noise level.