Título: Seasonal Weighted Lag Adaptive LASSO
Resumo: The main purpose of this paper is to propose a new LASSO type penalty aiming to improve out-of-sample forecasting performance for seasonal time series in high dimensionality scenarios. We also present results concerning parameter estimation performance. Our approach leads to what we call SWLadaLASSO (seasonal weighted lag adaptive LASSO) which assigns larger penalties for higher-lagged covariate coeffcients – based on the idea of WLadaLASSO by Konzen and Ziegelmann (2016) – except those associated with the seasonal lags of the response variable. It can be considered a generalization of the WLadaLASSO. In our Monte Carlo studies, the SWLadaLASSO is superior in terms of forecasting, parameter estimation and also covariate selection in most of the cases when compared to other LASSO-type penalty models. An empirical application is conducted to evaluate the capability of the proposed approach to forecast Brazilian GDP growth. Additionally, a set of forecast combinations is implemented in search of forecast accuracy improvement.
Título: Uma introdução a modelos de regressão para séries temporais limitadas
Resumo: A modelagem de séries temporais limitadas (por exemplo, razões e proporções) é particularmente desafiante pois abordagens baseadas em simples adaptações da teoria clássica de séries temporais esbarram em diversas dificuldades, muitas delas de alta complexidade. Para lidarmos com séries temporais limitadas necessitamos de ferramentas bem específicas e modelos especialmente formulados para tal.
Neste seminário apresentaremos alguns aspectos relacionados à utilização de modelos lineares generalizados para o estudo de séries temporais limitadas. Em particular, apresentaremos a ideia por tras de tais modelos, visitando modelos tradicionais na literatura. Discutiremos ainda algumas facetas relacionadas a inferencia baseada em verossimilhança condicional e parcial, bem como alguns aspectos da teoria assintótica por tras dessas abordagens.
Título: Maximum likelihood estimation in constrained contingency tables with binary response.
Resumo: Likelihood-based approaches for combining aggregated data with an individual-level data in contingency tables will be considered in this presentation. Such data structure emerges in a wide body of literature, e.g. to reduce bias in “ecological inference” a reliable way consists in supplementing marginal distributions by unit-record information. Similarly this problem arises when researchers working on complex survey designs may take advantage of available marginal population information to improve efficiency. In these cases inferences via maximum likelihood can be computationally infeasible because calculating the likelihood function involves summing over the set of all possible tables. To avoid its calculations a binomial approximation to the true likelihood is presented. We also consider the stochastic EM algorithm and related methods that involve sampling the possible tables. Points of interest are accuracy and computational burden particularly in rare outcome problems. Moreover, we show that good approximations to the likelihood function can be carried out by sampling possible tables and maximising a sample version of this. Simulation results for estimation in a linear logistic model show large improvements by using the estimated likelihood.
Título: Testes para agrupamento em dados de alta dimensionalidade e pequeno tamanho de amostra com base em U-estatísticas.
Resumo: Diversos problemas na genética e biologia molecular lidam com dados de alta dimensionalidade e pequeno tamanho amostral (HDLSS), que são um desafio para muitos métodos estatísticos. Neste contexto, nós apresentamos uma metodologia de inferência para agrupamento com base em U-estatísticas. Explorando as propriedades teóricas destas U-estatísticas, nós propomos um algoritmo de agrupamento hierárquico no qual um conjunto de dados é dividido em sub-grupos apenas quando tal partição é significativa. Estudos de simulação mostram que, no contexto HDLSS, esse método é superior às alternativas tanto em termos de poder quanto em termos de tempo computacional.
Título: Nonparametric Frontier Estimation in Two Steps
Resumo: Analisamos um modelo para estimar fronteiras de produção com entrada multidimensional que utiliza regressão não paramétrica em duas etapas, com algumas vantagens sobre os estimadores tradicionais de fronteira como DEA e FDH. O primeiro passo dá a forma para a fronteira e o segundo passo é responsável por identificar a localização da fronteira estimada. Nosso modelo pode ser visto como uma modificação do modelo proposto por Martins-Filho e Yao (2007), que estimam o mesmo modelo de fronteira em três etapas. Uma de nossas contribuições é eliminar o segundo passo da abordagem de Martins-Filho e Yao (2007), obtendo assim a fronteira em apenas duas etapas. Em comparação com essa abordagem, nosso método é mais simples e requer premissas menos restritivas. Além disso, é fácil incorporar restrições de forma comumente vistas das superfícies de fronteira, tais como concavidade e monotonicidade em nosso procedimento de estimativa usando métodos não-paramétricos com restrição de parâmetros livres de parâmetros de sintonização. Além disso, mostramos consistência e teoria distributiva assintótica de nosso estimador proposto sob suposições padrão no ajuste de entrada multidimensional.
Título: Modelagem e Controle de Processos em Bateladas via método STATIS
Resumo: O Controle Estatístico de Processo engloba um conjunto de técnicas e procedimentos com objetivos de monitoramento e melhoria de processos. A ferramenta frequentemente utilizada para cumprir o primeiro objetivo é a Carta de Controle (CC), criada por Walter A. Shewhart na década de 1920. Em linhas gerais, a ideia é obter a partir de dados históricos do processo limites que discriminam a variabilidade “natural” (isto é, do processo operando de maneira estável) da variabilidade “não prevista”. Na medida que os processos se tornam mais complexos, automatizados, gerando uma quantidade maior de dados, há um interesse contínuo no desenvolvimento CCs mais robustas e mais adequadas para tais processos. Esse cenário tem sido bastante favorável aos “Estatísticos”, pois vem permitindo o desenvolvimento uma série de abordagens baseadas em modificações e adaptações de técnicas estatísticas para resolver problemas relacionados. Em particular, o foco desse seminário está nos processos que ocorrem por bateladas. Dado a sua estrutura peculiar de dados, apresento aspectos relevantes na modelagem para controle de tais processos, bem como uma nova abordagem de controle baseada no método STATIS (do francês: Structuration des Tableaux A Trois Indices de la Statistique).
Título: Cartas de Controle Baseadas na Dinâmica do Modelo VAR para Monitoramento de Processos em Batelada
Resumo: Na área de Controle Estatístico de Processos existem várias abordagens diferentes para lidar com o monitoramento de processos em batelada. Esses processos apresentam uma estrutura de dados three-way (bateladas x variáveis x instantes de tempo), de modo que, para cada batelada, uma série temporal multivariada está disponível. As abordagens tradicionais não levam em consideração a natureza de séries temporais dos dados. Eles lidam com esse tipo de dados aplicando técnicas multivariadas em uma estrutura de dados reduzida bidirecional, a fim de capturar a dinâmica de variáveis de alguma maneira.
Desenvolvimentos recentes propõem o uso de modelos de séries temporais, em especial o modelo VAR, considerando a estrutura original three-way. No entanto, eles estão restritos às abordagens de controle focadas nos resíduos do VAR. Este artigo propõe uma nova abordagem para lidar com processos em batelada usando o modelo VAR, mas com foco nos coeficientes em vez dos resíduos. Por meio de um processo em batelada simulado, ilustramos o melhor desempenho de nossa abordagem em relação as cartas de controle baseadas em resíduos, no contexto offline e online.
Título: Smoothing quantile regressions
Resumo: In this paper we propose to smooth the entire objective function, rather than only the check function, in a linear quantile regression context. Not only does the resulting smoothed quantile regression estimator yield a lower mean squared error and a more accurate Bahadur-Kiefer representation than the standard estimator, but it is also asymptotically differentiable. We exploit the latter to propose a quantile density estimator that does not suffer from the curse of dimensionality. This means estimating the conditional density function without worrying about the dimension of the covariate vector. It also allows for two-stage efficient quantile regression estimation. Our asymptotic theory holds uniformly with respect to the bandwidth and quantile level. Finally, we propose a rule of thumb for choosing the smoothing bandwidth that should approximate well the optimal bandwidth. Simulations confirm that our smoothed quantile regression estimator indeed performs very well in finite samples.