Molts mètodes estadístics s’han aplicat recentment en l’anàlisi de sèries temporals categòriques i discretes. Això posa de manifest la importància de desenvolupar noves tècniques per analitzar i modelitzar eficientment aquest tipus de dades. Una cadena de Markov d’ordre k és un model probabilístic molt utilitzat per descriure sèries de memòria curta. No obstant això, els models de Markov en el context de sèries temporals categòriques poden ser problemàtics pel fet que el nombre de paràmetres augmenta exponencialment amb l’ordre k. D’altra banda, l’interès per les sèries temporals de recompte ha augmentat ràpidament en els últims anys. En aquest sentit, el model clàssic INAR(1) és àmpliament utilitzat per analitzar sèries temporals de recompte. No obstant això, el càlcul de la funció de versemblança per a models INAR(p) de major ordre (p> 1) és qualificat com numèricament intractable en la literatura. De manera similar, l’anàlisi de sèries temporals definides en Z (incloent tant enters positius com negatius) ha despertat també l’interès de molts investigadors. El càlcul eficient de les probabilitats de variables aleatòries de recompte així com d’aquelles definides en els enters és essencial per avaluar la funció de versemblança i ajustar aquests models. Diferents mètodes aproximats han estat proposats en la literatura [4]. Aquesta tesi doctoral té com a objectiu introduir noves tècniques i aplicacions rellevants per analitzar sèries temporals categòriques i discretes. La conformen diferents publicacions on es presenten i es discuteixen en detall alguns mètodes innovadors al respecte. Concretament, dos d’aquests articles [1, 2] proposen diversos models basats en cadenes de Markov i les seves mixtures, que són il·lustrats amb dues aplicacions rellevants. Específicament, en l’article [1], es presenten els models de curta-llarga persistència, aplicats a l’estudi de les migracions de ràtings municipals en l’àmbit del risc de crèdit. En l’article [2], es proposen, de forma parsimoniosa, models latents de Markov i mixtures de cadenes de Markov per analitzar seqüències de ‘cara-creu’ mentalment produïdes per un grup d’estudiants durant un experiment. En l’últim dels articles inclosos [3], derivem un conjunt de relacions de recurrència per al càlcul de les probabilitats d’una gran classe de variables aleatòries definides en els enters. Mostrem que la funció de probabilitat es pot calcular de forma recursiva per aquelles variables aleatòries on les seves funcions generatrius de probabilitat satisfan certa forma funcional. Aquestes recurrències són útils per al càlcul, de manera simple i eficient, de les probabilitats així com de la seva funció de versemblança corresponent. Es presenten alguns exemples d’aplicació mostrant l’eficiència del mètode. Els mètodes presentats en aquesta tesi es poden veure com avenços petits però significatius en aquests camps. Encara que aquest treball constitueix un avenç en aquestes aplicacions, s’han de seguir fent més esforços per millorar les tècniques i eines existents. [1] Baena-Mirabete, S. & Puig, P. (2018). Parsimonious higher-order markov models for rating transitions. JRSS, A, 181(1):107-131. [2] Baena-Mirabete, S., Espinal, A., & Puig, P. (2019). Exploring the randomness of mentally generated head-tail sequences. Statistical Modelling. [3] Baena-Mirabete, S. & Puig, P. (2020). Computing probabilities of integer-valued random variables by recurrence relations. Statistics & Probability Letters, 161. [4] Pedeli, X., Davison, A. C., & Fokianos, K. (2015). Likelihood estimation for the INAR(p) model by saddlepoint approximation. JASA, 110(511):1229-1238.
| Data del Ajut | 30 de set. 2020 |
|---|
| Idioma original | Espanyol |
|---|
| Supervisor | Pedro Puig Casado (Director/a) |
|---|
Avances en el análisis de series temporales categóricas con aplicaciones
BAENA MIRABETE, S. (Autor). 30 de set. 2020
Tesi d’estudis: Tesi doctoral
Tesi d’estudis: Tesi doctoral