[pt] Modelos auto-regressivos (AR(p)) de séries temporais
supõem que a
dinâmica da série contém uma dependência linear nas
observações passadas até uma defasagem p, e um erro
aleatório independente e identicamente
distribuído (i.i.d). Modelos de auto-regressão
quantílica
(QAR(p)) são uma
generalização dos AR(p) em que os coeficientes auto-
regressivos variam com
o quantil da distribuição condicional, não sendo
necessária, portanto, uma
componente explícita de erro aleatório. Esta dissertação
estuda a inferência
estatística proposta para modelos QAR(p) por Koenker e
Xiao (2004), com
o auxílio de simulações de Monte Carlo. Enquanto a
estimação mostra-se
bem precisa, os resultados do teste de hipóteses, onde a
hipótese nula supõe
um modelo auto-regressivo (AR), não apresentam bons
resultados, variando
estes com o modelo gerador de dados. / [en] Autoregressive models (AR(p)) for time series assume that
the series dynamics has a linear dependence on past
observations up to a lag p, plus
an independent and identically distributed (i.i.d.) random
error. Quantile
autoregressive models (QAR(p)) generalize the AR(p) by
allowing different
autoregressive coefficients for different quantiles of the
conditional distribution and so there is no need for an
explicit random error component.
This dissertation studies the statistical inference
proposed by Koenker e
Xiao (2004) for QAR(p) models, by means of Monte Carlo
simulations.
While the estimation tools show themselves very accurate,
the hypothesis
test which considers an AR model as the null hypothesis
yields poor results,
and these vary with the data generating process
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:10539 |
| Date | 11 September 2007 |
| Creators | FABIANO DOS SANTOS SOUZA |
| Contributors | CARLOS TOMEI |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | TEXTO |
Page generated in 0.0021 seconds