[pt] Na análise de séries temporais, os modelos lineares amplamente
difundidos e utilizados, como regressões lineares e modelos auto-regressivos, não
são capazes de capturar sua natureza muitas vezes não-linear,oferecendo
resultados insatisfatórios. Séries financeiras, por exemplo, apresentam este tipo de
comportamento. Ao longo dos últimos anos, houve o surgimento de muitos
modelos não lineares para análise de séries temporais, tanto estatísticos como de
inteligência computacional, baseados em redes neurais. Esta dissertação se propõe
a analisar a performance do modelo STAR-Tree sob diversos cenários de
conFiguração, parametrização e metodologias de estimação. Esta classe de
modelos subdivide os dados de uma série temporal em regiões distintas que
atendem critérios especificados em funções chamadas de pertinências. A cada
região é atribuído um modelo linear auto-regressivo. Cada dado estimado pode
estar em alguma das regiões com algum grau de pertinência determinado pelas
funções fornecidas pelo modelo principal. Fatores como a proximidade das
regiões, a suavidade das funções de pertinência e a falta de diversidade nos dados
podem dificultar a estimação dos modelos. Para avaliar a qualidade das
estimações sob os diversos cenários, foi construído um sistema capaz de gerar
séries artificiais, importar séries externas, estimá-las sob a modelagem STAR-Tree,
e gerar simulações de Monte Carlo que avaliam a qualidade da estimação de
parâmetros e a capacidade de detecção das estruturas de árvore do modelo. Ele foi
utilizado como ferramenta para realizar as análises presentes na dissertação, e
permitiu que se testassem diferentes conFigurações de métodos e parametrizações
com facilidade. / [en] In time series analysis, linear models that have been broadly used, such as
linear regressions and auto-regressive models, are not able to capture the some
times non linear nature of some data, offering poor estimation results. Financial
series, for instance, show that kind of behavior. Over the last years, a great
number of non linear models have been developed in order to analyze time series,
some of them statistical, others based on computational intelligence techniques
such as neural networks. The purpose of this dissertation is to analyze the
performance of the STAR-Tree model under distinct scenarios that differ in model
specification, parameterization and estimation methodologies. This class of
models splits time series data into individual regions which fulfill the criteria set
up by functions called pertinences. A linear model then is selected for each one of
those regions. Each estimated data point can belong to one of the mentioned
regions with some degree of pertinence, supplied by the above mentioned
pertinence functions. Aspects like the proximity between regions, the smoothness
of the pertinence functions and the lack of diversity in real data can significantly
affect the estimation of models. In order to evaluate the quality of the estimations
under the different proposed scenarios, a software was developed with the
capabilities of generating artificial time series, importing external series,
estimating them under the STAR-Tree model, and generating Monte Carlo
simulations that evaluate the quality of parameter estimation and the tree structure
detection capability of the model. The software was used as the single tool to
generate this dissertation’s analyses, and allowed that different model
specifications and methods could be tested without difficulty.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:14099 |
| Date | 10 September 2009 |
| Creators | BERNARDO DA ROCHA SPINDEL |
| Contributors | ALVARO DE LIMA VEIGA FILHO |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | TEXTO |
Page generated in 0.0024 seconds