The purpose of this diploma thesis is compare selected prediction models. These models are used for analysis of the South Moravian Region unemployment and then compared with unemployment development in the Czech Republic. This thesis is separated to two parts: theoretical and practical. The theoretical part is used to describe selected prediction models, psychological effects of unemployment on human being and impact of unemployment on the society. The second part is focused on the analysis of the South Moravian Region. Prediction models such as trend lines, moving averages, ARIMA method and neural network are used and compared which each other. All predictions are based on data from the Czech Statistical Office and covers period between year 1993 and 2012. This data is measured with periodicity of three months.

Made available in DSpace on 2010-04-20T20:08:12Z (GMT). No. of bitstreams: 0 Previous issue date: 1993-05-14T00:00:00Z / Este trabalho compara procedimentos de previsão de preços de commodities, utilizados de maneira empírica pelos analistas de mercado, com os procedimentos fornecidos pela Análise de Séries Temporais. Aplicamos os métodos de previsão utilizando as Médias Móveis, os métodos baseados em Alisamentos exponenciais e principalmente os modelos ARIMA de Box-Jenkins. Estes últimos são, em geral, generalizações dos primeiros, com a vantagem de utilizar os instrumentos estatísticos de medidas das incertezas, como o desvio-padrão e os intervalos de confiança para as previsões.

Made available in DSpace on 2010-04-20T21:00:51Z (GMT). No. of bitstreams: 4 Aurelien Dominique Emmanuel Lorthiois.pdf.jpg: 20555 bytes, checksum: 104d9c73afe06900b4f6320d1ca57a47 (MD5) Aurelien Dominique Emmanuel Lorthiois.pdf: 374119 bytes, checksum: e3c676f8fa5a823f03f9cbec2e9f9605 (MD5) license.txt: 4886 bytes, checksum: 301591937b0d196eef6c9987d71eaa35 (MD5) Aurelien Dominique Emmanuel Lorthiois.pdf.txt: 62072 bytes, checksum: 65eb038f1661cb50c10a8bba7afb736d (MD5) Previous issue date: 2009-02-04T00:00:00Z / No Brasil, o regime de metas para inflação foi instituído em julho de 1999, pelo Banco Central do Brasil, sendo o principal objetivo ancorar as expectativas de mercado. Este regime levou a uma queda da inflação e também a uma convergência das expectativas. Quando comparadas com a inflação ocorrida, as expectativas do mercado melhoraram nos últimos anos, porém, continuam com um erro ainda expressivo para o prazo de 6 meses. Em linhas gerais, a contribuição desta dissertação é de mostrar que existem modelos simples que conseguem prever o comportamento da inflação em médio prazo (6 meses). Um modelo ARIMA do IPCA obtém projeções acumuladas de inflação melhores que as projeções do mercado. / In July 1999, the inflation targeting was implemented by the Brazilian Central Bank, in which the major objective was to guide the market expectations. This regime reduced the inflation and converged the expectations. Although, when compared the inflation accumulated for six month and its market expectation there is still a difference between them. The contribution of this work is that we can construct simple models for inflation that project the inflation in the medium term. An autoregressive moving average model of the official inflation in Brazil can project better than the market.

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 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.

Ingeniero Civil Matemático / El presente estudio tiene como objetivo principal la construcción de una plataforma GIS (Sistema de Información Geo-referenciada) para el análisis estadístico de procesos temporales y geo-referenciados, dicha plataforma consiste en la visualización geográfica de una zona de estudio, en la cual se pueden realizar análisis estadísticos de variables asociadas a la región. Asimismo, se describe y profundiza el modero ARIMA, integrado como metodología estadística en dicha plataforma. Para la realización del estudio se seleccionaron cinco comunas de la región Metropolitana, Santiago de Chile, incluyendo variables clínicas y ambientales. Datadas en orden temporal, los ingresos hospitalarios por asma y neumonía quedan contrastados respecto a condiciones ambientales de Ozono, material particulado y precipitaciones. Como herramientas para la construcción de la plataforma, se utilizaron los lenguajes R y PHP, como interfase de esta se construye un mapa interactivo. Con ello provee a un usuario, con o sin conocimientos previos en estadística, información exploratoria de los datos almacenados y resultados estadísticos que comparan o relacionan variables dentro de la región. El mapa interactivo, contiene la distribución geográfica de la región y distribución de estaciones meteorológicas que pueden ser seleccionadas para obtener información, así como la posibilidad de realizar interacciones usuario-plataforma, que mediante acciones del usuario producen análisis y gráficas mostradas en el GIS. Las aplicaciones GIS suelen ser utilizadas en distintas disciplinas e investigaciones científicas, por ejemplo, pueden ser utilizadas para la gestión de los recursos, para la evaluación del impacto ambiental, para la planificación urbana, en la sociología, entre otros. Dentro de los principales aportes de este trabajo de titulo, cabe mencionar que el formato de la plataforma GIS construida facilita la incorporación de aspectos socio-culturales, económicos y ambientales que contribuyen a la toma de decisiones de una manera más eficaz. Para futuras investigaciones, se propone implementar el modelo ARIMA para series bivariadas en R, lo que permitiría realizar un Test de independencia dos de series temporales

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.

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.

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 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.