Dynamic generalized linear model via product partition model
Jessica de Assuncao Almeida · Americanae (AECID Library) · 2016
Métodos Bayesianos aplicados a séries temporais começaram a se destacar quando a classe de modelos lineares dinâmicos (MLD's) foi definida. A necessidade de trabalhar com séries temporais não Gaussianas atraiu muito interesse ao longo dos anos. A classe de modelos lineares generalizados dinâmicos (MLGD's) é uma extensão atrativa do MLD para observações na família exponencial e, ao mesmo tempo, corresponde a uma extensão do modelo linear generalizado, permitindo que os parâmetros variem no tempo. Recorrentemente, essas séries temporais podem ser afetadas por eventos externos que mudam a estrutura da série, resultando em problemas de ponto de mudança. O modelo partição produto (MPP) aparece como uma alternativa atrativa para identificar múltiplos pontos de mudança. Neste trabalho, propusemos estender a classe de modelos lineares generalizados dinâmicos utilizando o modelo partição produto para acomodar séries temporais na família exponencial com problemas de ponto de mudança. Nesse contexto, o MPP promove uma estrutura de agrupamento para os dados, e a inferência tradicional do MLGD é feita, mas ao invés de ser feita para cada observação, a inferência é feita por blocos de observações, implicando que observações no mesmo bloco terão um parâmetro de estado comum. A nova classe proposta é uma classe ainda mais ampla, uma vez que garante a exibilidade do MLGD conjuntamente com a habilidade de detectar pontos de mudança através da metodologia do MPP. Nesse trabalho, analisamos bancos de dados reais objetivando ilustrar a aplicabilidade do modelo proposto.