Séries temporais para modelos com parâmetros aleatórios: uma abordagem bayesiana
DOI:
https://doi.org/10.4025/actascitechnol.v24i0.2552Palavras-chave:
processo auto-regressivo, inferência bayesiana, modelo hierárquico, modelo dinâmico, filtro de Kalman, Gibbs-Sampling, Metropolis-HastingResumo
Este trabalho apresenta uma abordagem bayesiana para fazer inferência sobre os parâmetros de modelos auto-regressivos. Nesse contexto, quando os parâmetros variam de forma aleatória e independente, adotou-se um modelo hierárquico para descrever a densidade a posteriori. Uma segunda abordagem supõe que os parâmetros variam de acordo com um modelo auto-regressivo de primeira ordem; nesse caso a abordagem é vista como uma extensão do filtro de Kalman, no qual as variâncias dos ruídos são conhecidas. Os modelos foram analisados usando técnicas de simulação de Monte Carlo e a geração de amostras das densidades a posteriori permitiram fazer previsões de séries por intermédio das densidades preditivas Para exemplificar a aplicação dos modelos, consideramos uma série real correspondente ao preço de ações.Downloads
Downloads
Publicado
Como Citar
Edição
Seção
Licença
DECLARAÇíO DE ORIGINALIDADE E DIREITOS AUTORAIS
Declaro que o presente artigo é original, não tendo sido submetido í publicação em qualquer outro periódico nacional ou internacional, quer seja em parte ou em sua totalidade.
Os direitos autorais pertencem exclusivamente aos autores. Os direitos de licenciamento utilizados pelo periódico é a licença Creative Commons Attribution 4.0 (CC BY 4.0): são permitidos o compartilhamento (cópia e distribuição do material em qualqer meio ou formato) e adaptação (remix, transformação e criação de material a partir do conteúdo assim licenciado para quaisquer fins, inclusive comerciais.
Recomenda-se a leitura desse link para maiores informações sobre o tema: fornecimento de créditos e referências de forma correta, entre outros detalhes cruciais para uso adequado do material licenciado.
