Douglas Krauthein Verdun
Título: “Múltipla imputação de dados faltantes em séries temporais limitadas”
Resumo: “Inferência em séries temporais na presença de dados faltantes é um problema prático bastante corriqueiro, mas tecnicamente desafiante. A ausência de dados em uma série temporal interfere diretamente na detecção e estimação de sua estrutura de dependência, tornando sua modelagem especialmente delicada. Uma das técnicas mais promissoras nesse contexto é o método da imputação múltipla, muito utilizada para a inferência em modelos lineares tradicionais, como modelos ARMA e ARFIMA. No contexto de modelos não lineares, como por exemplo os modelos da classe GARMA, inferência na presença de dados faltantes ainda é um assunto inexplorado na literatura. Neste trabalho introduzimos e estudamos uma nova técnica de imputação múltipla, especialmente talhada para o contexto de modelos da classe GARMA. Além de propor e estudar o método, estudamos ainda seu desempenho em amostras finitas considerando séries temporais com até 80% de dados faltantes. A utilidade prática do método é ilustrada ainda por uma aplicação a dados reais.”
_______________________________________________________________________________________________________________________________________________________
Tainá Ferreira Cabalheiro
Título: Modelagem de tópicos em dados de texto usando BERT e métodos de agrupamento
Resumo: A análise de dados de texto tem ganhado grande destaque devido à popularização de métodos como o Chat-GPT , os modelos de análise de dados textuais envolvem desde a síntese de informações em áreas como a pesquisa científica, ou a geração de valor para negócios por meio da análise de feedback de clientes e monitoramento de mídias sociais. Com a enorme quantidade de dados de texto provenientes de redes sociais, marketplaces e da internet como um todo, entender e modelar as características desses dados é fundamental. Neste trabalho, buscamos utilizar modelos de LLM, como o BERT, além de métodos de agrupamento como o HDBSCAN, K-means e métodos espectrais para a modelagem de tópicos. O objetivo é avaliar diferentes técnicas de agrupamento com diferentes medidas de similaridade na produção de tópicos em dados textuais.
________________________________________________________________________________________________________________________________________________________
Celso Menoti da Silva
Título: Modelagem da censura dependente via cópula gaussiana e distribuição defeituosa
Resumo: Na análise de sobrevivência, o objetivo é avaliar o risco de um evento específico, bem como a probabilidade de sobrevivência. Assume-se que todos os indivíduos são suscetíveis a esse evento, que poderá ocorrer em algum momento. Estudos de sobrevivência são amplamente aplicados na engenharia de produção, análise de crédito, saúde e muitas outras áreas. Modelos estatísticos de sobrevida tradicionais geralmente não são adequados para analisar conjuntos de dados em que uma parcela dos indivíduos não passará pelo evento de interesse. Em estudos da área da saúde, a proporção desses indivíduos é denominada fração de cura. Uma forma de modelar a fração de cura é supor que o tempo até o evento de interesse seja modelado por uma distribuição de probabilidade defeituosa. Uma distribuição torna-se defeituosa devido a uma modificação em seu espaço paramétrico que permite que a integral da função densidade de probabilidade, no seu domínio, resulte em um valor ν ∈ (0, 1). Como consequência, a função de sobrevivência apresenta uma assíntota horizontal 1 − ν, que é interpretada como a fração de cura. O presente trabalho tem por objetivo estimar a fração de cura em um modelo de riscos competitivos. Para esse fim, será considerado um par de variáveis aleatórias (T, C), sendo T o tempo até o evento de interesse e C o tempo até a censura dependente e informativa, além de uma censura administrativa. Os tempos T e C têm ambas distribuição Gompertz Defeituosa, cuja dependência é descrita por uma cópula gaussiana.
________________________________________________________________________________________________________________________________________________________