Temos o prazer de convidar a todos para mais um seminário do Programa de Pós-Graduação em Estatística da UFRGS (PPGEst-UFRGS).
Título: Bivariate generalized autoregressive models for forecasting bivariate non-Gaussian times series
Short Bio: Possui graduação em Matemática (2017) pela Universidade Regional Integrada do Alto Uruguai e das Missões, com período sanduíche na Universidade do Porto – Portugal. Possui especialização em Estatística e Modelagem Quantitativa (2019) pela Universidade Federal de Santa Maria (UFSM). Possui mestrado em Estatística (2020) pela Universidade Federal de Pernambuco (UFPE). Possui graduação em Estatística (2023) pela UFSM. Possui doutorado em Estatística pelo Instituto de Matemática e Estatística da Universidade de São Paulo (IME-USP). Atualmente é bolsista de pós-doutorado no Programa de Pós-Graduação em Matemática da UFSM, pela Fundação de Amparo à Pesquisa do Estado do Rio Grande do Sul (FAPERGS), atuando no desenvolvimento de novos modelos para variáveis aleatórias com suporte duplamente limitado. Suas principais áreas de interesse e atuação são: geração de distribuições de probabilidade, análise multivariada, modelos de regressão e modelos de séries temporais.
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.
Data: 11/11/2025
Horário: 13:30
O seminário acontecerá na modalidade Online e poderá ser assistido pelo link: https://mconf.ufrgs.br/webconf/ppgest