[pt] Esta dissertação tem como objetivo principal introduzir uma formulação de
modelo não-linear multivariado, a qual combina o modelo STVAR (Smooth
Transition Vector Autoregressive) com a metodologia CART (Classification and
Regression Tree) a fim de utilizá-lo para geração de cenários e de previsões. O
modelo resultante é um Modelo Vetorial Auto-Regressivo com Transição Suave
Estruturado por Árvores, denominado STVAR-Tree e tem como base o conceito
de múltiplos regimes, definidos por árvore binária. A especificação do modelo é
feita através do teste LM. Desta forma, o crescimento da árvore é condicionado à
existência de não-linearidade nas séries, que aponta a divisão do nó e a variável de
transição correspondente. Em cada divisão, são estimados os parâmetros lineares,
por Mínimos Quadrados Multivariados, e os parâmetros não-lineares, por
Mínimos Quadrados Não-Lineares. Como forma de avaliação do modelo STVARTree,
foram realizados diversos experimentos de Monte Carlo com o objetivo de
constatar a funcionalidade tanto do teste LM quanto da estimação do modelo.
Bons resultados foram obtidos para amostras médias e grandes. Além dos
experimentos, o modelo STVAR-Tree foi aplicado às séries brasileiras de Vazão
de Rios e Preço Spot de energia elétrica. No primeiro estudo, o modelo foi
comparado estatisticamente com o Periodic Autoregressive (PAR) e apresentou
um desempenho muito superior ao concorrente. No segundo caso, a comparação
foi com a modelagem Neuro-Fuzzy e ganhou em uma das quatro séries. Somando
os resultados dos experimentos e das duas aplicações conclui-se que o modelo
STVAR-Tree pode ser utilizado na solução de problemas reais, apresentando bom
desempenho. / [en] The main goal of the dissertation is to introduce a nonlinear multivariate
model, which combines the model STVAR (Smooth Transition Vector
Autoregressive) with the CART (Classification and Regression Tree) method and
use it for generating scenarios and forecasting. The resulting model is a Tree-
Structured Vector Autoregressive model with Smooth Transition, called STVARTree,
which is based on the concept of multiple regimes, defined by binary tree.
The model specification is based on Lagrange Multiplier tests. Thus, the growth
of the tree is conditioned on the existence of nonlinearity in the time series, which
indicates the node to be split and the corresponding transition variable. In each
division, linear parameters are estimated by Multivariate Least Squares, and
nonlinear parameters by Non-Linear Least Squares. As a way of checking the
STVAR-Tree model, several Monte Carlo experiments were performed in order to
see the functionality of both the LM test and the model estimation. Best results
were obtained with medium and large samples. Besides, the STVAR-Tree model
was applied to Brazilian time series of Rivers Flow and electricity spot price. In
the first study, the model was statistically compared to the Periodic
Autoregressive (PAR) model and had a much higher performance than the
competitor. In the second case, the model comparison was with Neural-Fuzzy
Modeling and the STVAR-Tree model won in one of the four series. Adding both
the experiments and the two applications results we conclude that the STVARTree
model may be applied to solve real problems, having good results.
Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:15888 |
Date | 13 July 2010 |
Creators | ALEXANDRE JOSE DOS SANTOS |
Contributors | ALVARO DE LIMA VEIGA FILHO |
Publisher | MAXWELL |
Source Sets | PUC Rio |
Language | Portuguese |
Detected Language | Portuguese |
Type | TEXTO |
Page generated in 0.0015 seconds