Título: Produção de indicadores do mercado de trabalho com modelos de séries temporais para repetidas pesquisas.

Resumo: Várias das séries temporais utilizadas por diversos setores da sociedade são provenientes de pesquisas repetidas no tempo. Tais pesquisas, que em geral investigam as mesmas unidades em diversos benefícios, são direcionadas à produção de informações que permitem o estudo da evolução de uma população ou de uma frequência ao longo do tempo. Diante dos desafios de manutenção e ampliação do sistema de estatísticas oficiais, investiga-se a produção de indicadores do mercado de trabalho sob uma abordagem de investigação baseada em modelos de séries temporais para a Pesquisa Nacional por Amostra de Domicílios Contínua do IBGE. A metodologia compreende os modelos estruturais de séries temporais no formato de espaço de estados em suas formulações univariadas e multivariadas. Esses são empregados para estimar componentes não observáveis, como tendência e sazonalidade, considerando a presença de erros amostrais e a estrutura de brilho implícita no desenho da pesquisa. Adicionalmente, os modelos propostos lidam com a integração de dados de fontes alternativas ao incorporar séries do Google Trends de palavras relacionadas à busca de emprego (big data).

 O trabalho é resultado da tese de doutorado de Caio Gonçalves (Fundação João Pinheiro) no Programa de Pós-Graduação da ENCE, no âmbito de um projeto de pesquisa em parceria com Jan van den Brakel (Statistics Netherlands e Maastrich University) e Luna Hidalgo (Consultora, mestre pela ENCE).

Título:  Triagem de características wavelet em problemas de regressão de alta dimensão.

Resumo:  Na análise de dados modernos, o número p de variáveis explicativas é comumente muito maior que o tamanho da amostra n. Alguns métodos clássicos para lidar com esse tipo de problema são covariáveis de subamostragem, regressão de Ridge e Lasso (Friedman et al., 2009). Além do alto custo computacional, um fator muito maior que também pode afetar o desempenho dos métodos de seleção de variáveis. Isso motiva um rastreamento de covariáveis. Portanto, um rastreamento inicial de covariáveis relevantes é comum em modelos de alta dimensionalidade. Uma questão importante aqui é que muitas características importantes podem ter uma relação relevante, embora altamente não linear, com a resposta. Propomos um método de triagem de características wavelet que pode ser facilmente implementado e provamos que, sob condições adequadas, ele captura como verdadeiras covariáveis com alta probabilidade. Os resultados da simulação também mostram que nossa abordagem supera outros métodos de triagem em modelos altamente não lineares. Aplicamos o rastreamento de características a dois conjuntos de dados sobre concentração de ozônio e epilepsia. Em ambas as aplicações, o método proposto seleciona características encontradas nas literaturas de seus respectivos campos de pesquisa, ilustrando a aplicabilidade do rastreamento de características.

Este é um trabalho conjunto com Rodney Fonseca e Pedro Morettin.

Título:  Integrando o tratamento de dados ausentes em árvores de regressão probabilística: o pacote R PRTree.

Resumo:  Árvores de Regressão Probabilística (PRTrees) estendem árvores de decisão tradicionais ao incorporar funções de probabilidade que atribuem pontos de dados a múltiplas regiões da árvore, permitindo limites de decisão mais suaves e abrangentes. Neste trabalho, propomos uma adaptação de PRTrees que considere explicitamente os valores ausentes nas covariáveis, aprimorando sua aplicabilidade a conjuntos de dados incompletos do mundo real. Implementamos essa metodologia no pacote R PRTree, combinando R com rotinas FORTRAN e C de baixo nível para obter ganhos substanciais em eficiência computacional. Como resultado, o pacote oferece desempenho significativamente superior às implementações em R puro. Nesta, delineamos os fundamentos teóricos do método, descrevemos os detalhes da implementação e ilustramos seu desempenho por meio de estudos de simulação.

Título: Clusterização Espectral em Grafos Geométricos

Resumo:  Este trabalho estuda o problema de clusterização no Soft Geometric Block Model com número arbitrário de clusters. Nesse modelo, propomos um algoritmo espectral para a recuperação dos clusters. Além disso, estabelecemos resultados de convergência em probabilidade que garantem a acurácia do algoritmo. Por fim, apresentamos experimentos numéricos que demonstram sua acurácia mesmo em grafos pequenos.

Título: Robust estimation in a multivariate normal regression model with general parameterization

Resumo:  This work explores the use of a non-extensive q-entropy measure for parameter estimation in a multivariate normal regression model with general parameterization. This model encompasses a large class of regression models that includes mixed models, errors-in-variables models, nonlinear models, among others. The resulting estimator, called the maximum L_q-likelihood estimator, depends on a tuning parameter q that is chosen to improve inferential accuracy in the presence of outliers. We derive the quantities required to obtain the parameter estimates and the asymptotic variance and covariance matrix of the maximum L_q-likelihood estimator under this general class of models. Some of these quantities are explained in detail for three specific cases, namely, mixed models, errors-in-variables models, and nonlinear models. Although the maximum L_q-likelihood estimator may not be consistent, we obtain a new estimator that satisfies this property through a calibration function.

Additionally, we also obtain another robust and consistent estimator that minimizes an empirical version of the density power divergence, called the minimum density power divergence estimator. To evaluate the performance of our proposal, we conduct Monte Carlo simulations in the absence and presence of outliers under finite samples. Finally, we apply our method to actual data.

Título: M-robust approach to estimate Seasonal INAR processes and outlier detection based on Wavelets and the application to the daily air quality index data for the pollutant Carbon.

Resumo:  This study investigates the detection of outliers in INAR(1)s models using an approach based on wavelet transforms and robust parameter estimation. Initially, the fundamental concepts of the INAR(1)s model are reviewed, followed by the proposal of a new detection method that combines the Discrete Wavelet Transform (DWT) and the Maximal Overlap Discrete Wavelet Transform (MODWT) with a robust version of conditional least squares (CLS) based on M-estimators. The Seasonal Discrete Wavelet Transform (SDWT) is introduced as an extension of the DWT, adapted to handle seasonality in count time series. The proposed method uses thresholds based on the empirical distribution of the detail coefficients, enhancing the identification of outlier values. The effectiveness of the procedure was evaluated through Monte Carlo simulations, comparing the percentage of correctly detected outliers. The practical application, exemplified by air quality index data, demonstrates the relevance and applicability of the method, offering a robust and efficient approach for outlier detection in seasonal daily air quality index data for the pollutant Carbon.

Título: Cartas de Controle para Dados Autocorrelacionados: Abordagens via colagem de Séries Temporais e Bootstrapping Paramétrico.

Resumo: Boa parte das estratégias para controle estatístico de processos industriais com dados que apresentam dependência temporal baseia-se no monitoramento de resíduos gerados por modelos ajustados. Embora essa abordagem seja eficaz na detecção de distúrbios que afetam a tendência ou a média do processo (como drifts), ela se mostra pouco sensível a alterações na própria estrutura de dependência dos dados. Este trabalho propõe abordagens para o monitoramento de observações futuras, a L passos a frente, baseada na comparação com simulações do processo sob a hipótese de que ele permanece sob controle a L passos a frente. Seguindo a ideia da colagem de séries temporais e do bootstrapping paramétrico, são obtidas distribuições a L passos a frente para dois indicadores: (i) as estimativas dos coeficientes do modelo ajustado e (ii) a estatística Q de Box-Ljung (avalia correlação serial nos resíduos). Novas observações são então monitoradas comparando-se suas estatísticas às distribuições empíricas geradas. Simulações preliminares, baseadas em dados com estrutura de dependência gerada por modelos da classe ARMA, indicam resultados promissores quanto a sensibilidade da abordagem na detecção de alterações na correlação serial. Esses resultados serão apresentados e discutidos.

Título: Filodinâmica e correção de visão amostral para estudos de dispersão viral baseados em biosequências.

Resumo: Uma combinação filodinâmica de dados sequenciais genéticos virais com informações geográficas e temporais para fazer inferência sobre processos de interesse epidemiológico. Quando o foco é geográfico, buscamos inferir taxas de migração e padrões de dispersão espacial ao longo da história evolutiva dos organismos. Esses modelos são amplamente utilizados na investigação de epidemias virais, como COVID-19, influenza e HIV, possibilitando reconstruir a origem geográfica dos surtos, reconstruir sua propagação espacial e identificar fatores determinantes da migração viral. Entretanto, é amplamente reconhecido que modelos discretos de difusão filogeográfica bayesiana são sensíveis a visões amostrais, especialmente em configurações onde limitações técnicas e de recursos exigem a representatividade espacial das amostras em relação à prevalência real. Uma das abordagens mais comuns para minimizar esse impacto é realizar a subamostragem dos dados observados. Para contornar esse problema, propomos o Bias-correcting Subsampling Trait Model (BSTM), uma nova abordagem para o cálculo da verossimilhança em processos com estados discretos sobre árvores filogenéticas. A BSTM busca corrigir a visão amostral sem a necessidade de descartar dados, utilizando um modelo de mistura baseado em múltiplas árvores subamostradas, ponderadas por informações externas sobre frequências populacionais reais. Além disso, derivamos uma expressão analítica para a verossimilhança do modelo, resultando em ganhos significativos de eficiência computacional. Simulações de Monte Carlo são propostas para avaliar o modelo.

Título: Distribuição Marshall-Olkin Cosseno Fréchet: Distribuição e Modelo de Regressão.

Resumo: A distribuição Fréchet foi introduzida no contexto da análise de valores extremos. Tal distribuição possui um único parâmetro e suporte nos reais positivos. É amplamente aplicada em dados de desastres naturais, como precipitações máximas anuais e poluição do ar, e na análise de risco na área de finanças. O presente trabalho propõe uma nova reparametrização da distribuição Fréchet por meio do gerador Marshall-Olkin Cosseno, denotada por MOCF(µ, σ), para µ, σ, y > 0. Além disso, define-se um novo modelo de regressão quantílica baseado na distribuição MOCF. Para definir o novo modelo de regressão, reparametriza-se a função densidade de probabilidade da distribuição MOCF em termos do seu quantil µ. A estrutura de regressão é incluída através da relação g(µt) = x⊤t β, para t = 1, . . . , n, em que g(·) = log(·) é a função de ligação. Para estimação do vetor de parâmetros dos modelos propostos, utilizou-se o método de máxima verossimilhança (EMV). O desempenho do EMV foi avaliado via simulações de Monte Carlo, para dferentes cenários. As medidas utilizadas na avaliação do EMV foram a média, viés, erro padrão, erro quadrático médio (EQM), assimetria e curtose. Através da análise dos resultados das simulações, verificou-se que o estimador apresenta indícios de que são assintoticamente não viesados, consistentes, além de apresentar distribuição assintoticamente normal. Medidas de diagnóstico para o modelo e aplicações a dados reais estão sendo realizados.

Palestrantes:

1. Renato Augusto Espíndola Susin – “Avaliação de Testes de Martingale Difference para amostras pequenas.”
2. Rafaela Oliveira da Silva – “Censura Dependente e Fração de Cura utilizando Cópula de Frank e Distribuição Defectiva Gompertz.”
3. Maicon Michael Fridrich Gottselig – “Modelo de Cura para Riscos Competitivos Correlacionados e Não Proporcionais.”

Palestrantes:

1. Andressa de Oliveira Dorneles – “Multistep machine learning for time series forecasting.”
2. Zahri da Paz – “Predição de Séries Temporais com dados faltantes por GRU-D e Função de Perda Assimétrica.”
3. João Manuel Máquina – “Cartas de Controle para Monitoramento Online de Dados Autocorrelacionados: Abordagens via Coleta de Séries Temporais e Bootstrapping Paramétrico.”
4. Roger Prochnow Moreira da Silva – “Aprendizado Semi-Supervisionado com Dados Desbalanceados: Análise e Proposição de Estratégias.”

Título: Estimação de Parâmetros em Modelos Observation-Driven com Dados Ausentes.

Resumo: Lidar com dados ausentes em séries temporais é um problema complexo devido à presença de dependência temporal. Métodos de imputação de uso geral, embora amplamante empregados, costumam distorcer propriedades estatísticas fundamentais dos dados, como a variância e a estrutura de dependência, resultando em estimativadas viesadas e inferências equivocadas. Esses problemas tornam-se ainda mais pronunciados no contexto de séries temporais, onde capturar a dependência serial do processo é fundamental para a estimação de parâmetros. Técnicas tradicionais de imputação não conseguem preservar a dinânica da série. Nesta apresentação, discutiremos a estimação de modelos tipo observation-driven (ODM) na presença de dados ausentes. Propomos um novo método de imputação múltipla, especificamente desenvolvido para o contexto de ODM, que explora a natureza iterativa do componente sistemático desses modelos para propagar a estrutura de dependência através dos modelos para propagar a estrutura de dependência através dos dados faltantes, minimizando seu impacto na estimação. Diferentemente das técnicas tradicionais de imputação, o método proposto acomoda dados contínuos, discretos e de tipo misto, preservando as principais propriedades de distribuição e dependência. Derivados ainda suas propriedades assintóticas. A aplicação do método será ilustrada no contexto de modelos GARMA.

Título: Entre Vieses de Dados e Visualização de Importância: Novos Caminhos para Seleção de Atributos em Alta Dimensão.

Resumo: A seleção de atributos é uma etapa fundamental em análises estatísticas e de aprendizado de máquina aplicadas a dados de alta dimensionalidade, como aqueles oriundos de expressão gênica. Neste seminário, discutiremos dois tópicos nesse contexto: (i) uma análise crítica sobre 20 anos de uso de conjuntos de dados de expressão gênica em estudos de seleção de atributos, evidenciando vieses históricos, limitações de reprodutibilidade e o impacto do reuso de dados desatualizados nos resultados obtidos; e (ii) o weighted t-SNE, uma extensão do método clássico de visualização voltada para incorporar a importância dos atributos. Essa abordagem permite visualizar e comparar diferentes métodos de atribuição de relevância, auxiliando na escolha de algoritmos mais adequados e na interpretabilidade de modelos.

Título: Acceptance of m-health by police officers and firefighters in Santa Catarina, Brazil.

Resumo: Profissionais de segurança pública trabalham em ambientes de alta tensão, principalmente em países com altos índices de criminalidade como o Brasil. Esse ambiente de trabalho expõe os profissionais a riscos físicos, químicos, biológicos e psicológicos. As tecnologias de IoT incorporadas aos dispositivos m-health são uma alternativa eficiente para melhorar a qualidade de vida de policiais e bombeiros, pois permitem o monitoramento contínuo de sinais fisiológicos e podem ajudar a prevenir problemas de saúde entre esses profissionais. Para isso, compreender a aceitação dessas tecnologias por agentes de segurança pública é crucial para uma implementação bem-sucedida. Esta pesquisa foi desenvolvida junto ao Departamento de Promoção da Saúde e Bem-estar da Secretaria de Segurança Pública do estado de Santa Catarina/SC. O objetivo desta pesquisa busca investigar os fatores de determinam a aceitação e as funcionalidades prioritárias dos dispositivos m-health por parte dos policiais militares e bombeiros de SC. Esta pesquisa foi dividida em dois subprojetos, o primeiro busca identificar a aceitação dos dispositivos m-health propondo um modelo adaptado da Teoria Unificada de Aceitação e Uso de Tecnologia (UTAUT), sendo este modelo testado por meio da abordagem de Modelagem de Equações Estruturais Multigrupo. O segundo busca priorizar as funcionalidades do dispositivo m-health e utiliza uma abordagem que considera a heterogeneidade da amostra por meio da técnica de Stated Preference e da estimação dos modelos Conditional Multinomial Logit e Latent Class Logit. A amostra utilizada em ambos projetos consiste em 687 respostas válidas de um questionário, sendo 517 de policiais militares e 170 de bombeiros de SC. Os resultados encontrados apoiam a personalização de programas educacionais para informar os profissionais sobre os benefícios das tecnologias de m-health. Além disso, é proposta uma plataforma modular que prioriza as funcionalidades do dispositivo m-health que considera as necessidades dos policiais e bombeiros de SC.

Título: Can AI beat a naive portfolio? An experiment with anonymized data.

Resumo: Realized volatility series are generally found to exhibit very slowly decaying autocorrelation functions, suggesting the use of long-memory models. The linear HAR regression model is well known for its ability to parsimoniously model the long-memory behavior of realized volatility. Besides, there is vast empirical evidence of its good forecasting performance. We propose an alternative approach to the linear HAR model, considering a dynamic vine copula based regression capable of capturing long-memory and nonlinearity in the time series dependence of realized volatility, and it also allows for the possibility of changes in the dependence structure over time. More specifically, we derive a regression from a dynamic D-vine decomposition of the joint density of the dependent and explanatory variables of the HAR model and compute point forecasts of volatility for the one-day horizon from this regression model. We evaluate the forecasting ability of the dynamic HAR-D-vine model in an empirical study. Our data sets consist of realized volatilities from the S&P 500, NASDAQ 100, DOW JONES, FTSE 100, CAC and HANG SENG stock indexes. Regarding the main results, we find that both static and dynamic D-vine copula-based HAR regressions and the linear HAR model have a statistically equivalent forecast performance, while they outperform the bivariate copula model.

Título: Forecasting Volatility via Dynamic Copula-Based Regressions.

Resumo: Using anonymized data from the United States (U.S.) market, we evaluate the performance of Google’s main LLM (Large Language Model) Gemini 1.5 Flash in making investment decisions. Unlike other studies, we query the LLM for different investment horizons (1 to 36 months) and types of financial information (financial data, price data, and a combination of both). Running a total of 30,000 simulations for 1,522 companies over 20 years of data, we find that Gemini does not consistently outperform a naive portfolio and the S&P 500 index in terms of returns and Sharpe ratios. Additionally, our findings indicate a decline in risk adjusted investment performance as the investment horizon extends.

Joint work with Cristian R. Foguesatto, Fernanda M. Müller and Marcelo B. Righi..

Título: Bivariate generalized autoregressive models for forecasting bivariate non-Gaussian times series.

Resumo: This paper introduces a novel approach, the bivariate generalized autoregressive (BGAR) model, for modeling and forecasting bivariate time series data. The BGAR model generalizes the bivariate vector autoregressive (VAR) models by allowing data that does not necessarily follow a normal distribution. We consider a random vector of two time series and assume each belongs to the canonical exponential family, similarly to the univariate generalized autoregressive moving average (GARMA) model. We include autoregressive terms of one series into the dynamical structure of the other and vice versa. The model parameters are estimated using the conditional maximum likelihood (CML) method. We provide general closed-form expressions for the conditional score vector and conditional Fisher information matrix, encompassing all canonical exponential family distributions. We develop asymptotic confidence intervals and hypothesis tests. We discuss techniques for model selection, residual diagnostic analysis, and forecasting. We carry out Monte Carlo simulation studies to evaluate the performance of the finite sample CML inferences, including point and interval estimation. An application to real data analyzes the number of leptospirosis cases on hospitalizations due to leptospirosis in São Paulo state, Brazil. Competing models such as GARMA, autoregressive integrated moving average (ARIMA), and VAR models are considered for comparison purposes. The new model outperforms the competing models by providing more accurate out-of-sample forecasting and allowing quantification of the lagged effect of the case count series on hospitalizations due to leptospirosis.

Título: Modeling Extreme Data with Bimodal Structure Through Regression.

Resumo: We introduce a new regression model based on an extension of the Generalized Extreme Value (GEV) distribution — called the bimodal GEV distribution. Unlike the classical GEV, this model can represent data with two modes and heavy tails, offering much greater flexibility. We built a regression framework linked to the median of the distribution, making interpretation more intuitive. Parameters are estimated using maximum likelihood, and performance is evaluated through Monte Carlo simulations. Finally, applying the model to real climate data from Brazil shows that it accurately captures extreme and bimodal patterns, providing a robust and efficient alternative to traditional mixture models.

Título: Sensor Monitoring Towards Industry 4.0: Bridging Concepts on the cn Multivariate Control Chart.

Resumo: The biggest challenge in monitoring multiple sensors is related to the high dimensionality that a process can easily obtain. Additionally, Statistical Process Control (SPC) techniques have difficulty in simultaneously detecting change of quality characteristics when extrapolated from the normality (or Gaussian) assumption. That is, the most known SPC multivariate control chart is based on Hotelling’s T2 statistic. Moreover, it is assumed that the process data follow a multivariate normal distribution (which in practice rarely occurs) and marginals are supposed to be uncorrelated. This study focused on the SPC multivariate case (dimension d ≥ 2), regardless of the data dependence or marginal asymmetry. Thus, we proposed a new control chart for embedding change detection in the multivariate process, called the cn-chart, which is analogous to the tolerance region based on the density level set from a copula function. Furthermore, this methodology quantifies the correlation (not necessarily linear) between the response variables. Two study cases were adopted: one investigated the water quality control task, and the other the brass-steel thermostats monitoring relationship. Our results show that both association and anomaly detection are captured adopting the proposed methodology, which also allows the inclusion of the variable selection as conditional statistical modeling.

Joint work with Diego Carvalho do Nascimento (NEOMA Business School-França), Francisco Louzada (ICMC-USP) and Ana Claudia da Silva Batista (DEst-UFBA).

Título: The Poisson-Gaussian Mixture Process: A Flexible and Robust Approach for Non-Gaussian Geostatistical Modeling.

Resumo: This work introduces a novel family of geostatistical models designed to capture complex features beyond the reach of traditional Gaussian processes. The proposed family, termed the Poisson-Gaussian Mixture Process (POGAMP), is hierarchically specified, combining the infinite-dimensional dynamics of Gaussian processes with any multivariate continuous distribution. This combination is stochastically defined by a latent Poisson process, allowing the POGAMP to define valid processes with finite-dimensional distributions that can approximate any continuous distribution. Unlike other non-Gaussian geostatistical models that may fail to ensure validity of the processes by assigning arbitrary finite-dimensional distributions, the POGAMP preserves essential probabilistic properties crucial for both modeling and inference.

Título: Um Modelo de Séries Temporais Maxwell com Parametrização na Média para Dados Positivos.

Resumo: Este trabalho introduz uma nova abordagem para modelar séries temporais positivas e contínuas baseada na distribuição de Maxwell. O modelo proposto utiliza uma reparametrização dessa distribuição, na qual seu parâmetro de escala representa diretamente a média. Nessa formulação, a média condicional é modelada por meio de uma estrutura dinâmica que combina componentes autorregressivos e de média móvel, vinculados por uma função de ligação apropriada. A estimação dos parâmetros é realizada pelo método da máxima verossimilhança condicional, para o qual são derivadas expressões matriciais em forma fechada do vetor score condicional e da matriz de informação de Fisher. Com base nas propriedades assintóticas dos estimadores, são apresentados procedimentos para estimação intervalar e testes de hipótese. Por meio de simulações de Monte Carlo, avalia-se o desempenho em amostras finitas e apresenta-se evidência da convergência dos estimadores para os valores verdadeiros dos parâmetros à medida que o tamanho amostral aumenta. Uma aplicação empírica com dados de velocidade do vento em Brasília, capital do Brasil, demonstra a relevância prática e a eficácia do modelo proposto para o ajuste e a previsão de séries temporais reais.

Título: Modelagem de processos de contagem e derivações: Aplicações em dados ambientais e epidemiológicos.

Resumo: Neste seminário, serão apresentados os resultados centrais de uma linha de pesquisa dedicada à modelagem estatística de séries temporais de contagens na epidemiologia ambiental. A investigação parte da necessidade de aprimorar a análise de processos não Gaussianos e autocorrelacionados que descrevem a dinâmica de morbidade e mortalidade associada à exposição a poluentes atmosféricos. O primeiro estudo propõe o modelo GAM-ARMA, que combina funções splines a uma estrutura autorregressiva de médias móveis, permitindo capturar simultaneamente não linearidades e dependência temporal. O segundo integra o modelo GLARMA a diferentes abordagens de bootstrap, aprimorando a inferência do risco relativo em séries com poucas observações. O terceiro introduz um modelo GLARMA robusto, baseado em M-estimadores, com o objetivo de reduzir o impacto de observações atípicas em covariáveis ambientais. As aplicações com dados das regiões metropolitanas de Belo Horizonte/MG e Vitória/ES demonstram ganhos expressivos em ajuste, estabilidade e validade inferencial. Em conjunto, os trabalhos ampliam o uso dos modelos GLARMA, articulando robustez, flexibilidade e rigor estatístico na análise de fenômenos complexos de saúde e meio ambiente.