[pt] O objetivo desta tese é o de apresentar e investigar a
metodologia de Durbin e Koopman (DK) usada para estimar o
espaço de estado de modelos de séries temporais não-
Gaussianos, dentro do contexto de modelos estruturais. A
abordagem de DK está baseada na avaliação da
verossimilhança usando uma eficiente simulação de Monte
Carlo, por meio de amostragem por importância e técnicas
de redução de variância, tais como variáveis antitéticas e
variáveis de controle. Ela também integra conhecidas
técnicas existentes no caso Gaussiano tais como o Filtro
de Kalman Siavizado e o algoritmo de simulação suavizada.
Uma vez que os hiperparâmetros do modelo são estimados, o
estado, que contém as componentes do modelo, é estimado
pela avaliação da moda a posteriori. Propomos então
aproximações para avaliar a média e a variância da
distribuição preditiva. São consideradas aplicações usando
o modelo de Poisson. / [en] The aim of this thesis is to present and investigate the
methodology of Durbin and Koopman (DK) used to estimate
non-Gaussian state space time series models, within the
context of structural models. DK`s approach is based on
evaluating the likelihood using efficient Monte Carlo
simulation, by means of importance sampling and variance-
reduction techniques, such as antithetic variables and
control variables. It also contents known existent
techniques for the Gaussian case as the Kalman Filter
smoother Simulation algorithm. Once the model
hyperparameters are estimated, the state, which
encapsulates the model`s components, is estimated by
evaluating its posterior mode. Proposals are approximated
to evaluate mean and variance for the predictive
distribution. Applications are considered using the
Poisson model.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:7776 |
| Date | 15 February 2006 |
| Creators | MAYTE SUAREZ FARINAS |
| Contributors | CRISTIANO AUGUSTO COELHO FERNANDES |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | TEXTO |
Page generated in 0.0021 seconds