{"id":678,"date":"2021-09-13T17:22:44","date_gmt":"2021-09-13T20:22:44","guid":{"rendered":"https:\/\/www.ufrgs.br\/ppgest\/?page_id=678"},"modified":"2021-09-13T17:22:44","modified_gmt":"2021-09-13T20:22:44","slug":"2019-2","status":"publish","type":"page","link":"https:\/\/www.ufrgs.br\/ppgest\/2019-2\/","title":{"rendered":"2019"},"content":{"rendered":"Semin\u00e1rio 15\/07\/2019. Prof Fl\u00e1vio Augusto Ziegelmann<\/span>
\n

T\u00edtulo:<\/strong> Seasonal Weighted Lag Adaptive LASSO<\/p>\n

Resumo<\/strong>: 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.<\/p>\n<\/div>\n\n\n\n

<\/p>\n\n\n\n

Semin\u00e1rio 22\/07\/2019. Prof Guilherme Pumi<\/span>
\n

T\u00edtulo: Uma introdu\u00e7\u00e3o a modelos de regress\u00e3o para s\u00e9ries temporais limitadas<\/strong><\/p>\n

Resumo: A modelagem de s\u00e9ries temporais limitadas (por exemplo, raz\u00f5es e propor\u00e7\u00f5es) \u00e9 particularmente desafiante pois abordagens baseadas em simples adapta\u00e7\u00f5es da teoria cl\u00e1ssica de s\u00e9ries temporais esbarram em diversas dificuldades, muitas delas de alta complexidade. Para lidarmos com s\u00e9ries temporais limitadas necessitamos de ferramentas bem espec\u00edficas e modelos especialmente formulados para tal.<\/p>\n

Neste semin\u00e1rio apresentaremos alguns aspectos relacionados \u00e0 utiliza\u00e7\u00e3o de modelos lineares generalizados para o estudo de s\u00e9ries 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 verossimilhan\u00e7a condicional e parcial, bem como alguns aspectos da teoria assint\u00f3tica por tras dessas abordagens.<\/p>\n<\/div>\n\n\n\n

<\/p>\n<\/div>\n\n\nSemin\u00e1rio 05\/08\/2019. Prof Markus Chagas Stein<\/span>

\n

T\u00edtulo: Maximum likelihood estimation in constrained contingency tables with binary response.<\/strong><\/p>\n

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.<\/p>\n<\/div>\n\n\n\n

<\/p>\n\n\n\n

Semin\u00e1rio 19\/08\/2019. Prof\u00aa Gabriela Cybis<\/span>
\n

T\u00edtulo: Testes para agrupamento em dados de alta dimensionalidade e pequeno tamanho de amostra com base em U-estat\u00edsticas.<\/strong><\/p>\n

Resumo: Diversos problemas na gen\u00e9tica e biologia molecular lidam com dados de alta dimensionalidade e pequeno tamanho amostral (HDLSS), que s\u00e3o um desafio para muitos m\u00e9todos estat\u00edsticos. Neste contexto, n\u00f3s apresentamos uma metodologia de infer\u00eancia para agrupamento com base em U-estat\u00edsticas. Explorando as propriedades te\u00f3ricas destas U-estat\u00edsticas, n\u00f3s propomos um algoritmo de agrupamento hier\u00e1rquico no qual um conjunto de dados \u00e9 dividido em sub-grupos apenas quando tal parti\u00e7\u00e3o \u00e9 significativa. Estudos de simula\u00e7\u00e3o mostram que, no contexto HDLSS, esse m\u00e9todo \u00e9 superior \u00e0s alternativas tanto em termos de poder quanto em termos de tempo computacional.<\/p>\n<\/div>\n<\/div>\n\n\n\n

<\/p>\n\n\nSemin\u00e1rio 26\/08\/2019. Prof Hudson Torrent<\/span>

\n

T\u00edtulo: Nonparametric Frontier Estimation in Two Steps<\/strong><\/p>\n

Resumo: Analisamos um modelo para estimar fronteiras de produ\u00e7\u00e3o com entrada multidimensional que utiliza regress\u00e3o n\u00e3o param\u00e9trica em duas etapas, com algumas vantagens sobre os estimadores tradicionais de fronteira como DEA e FDH. O primeiro passo d\u00e1 a forma para a fronteira e o segundo passo \u00e9 respons\u00e1vel por identificar a localiza\u00e7\u00e3o da fronteira estimada. Nosso modelo pode ser visto como uma modifica\u00e7\u00e3o do modelo proposto por Martins-Filho e Yao (2007), que estimam o mesmo modelo de fronteira em tr\u00eas etapas. Uma de nossas contribui\u00e7\u00f5es \u00e9 eliminar o segundo passo da abordagem de Martins-Filho e Yao (2007), obtendo assim a fronteira em apenas duas etapas. Em compara\u00e7\u00e3o com essa abordagem, nosso m\u00e9todo \u00e9 mais simples e requer premissas menos restritivas. Al\u00e9m disso, \u00e9 f\u00e1cil incorporar restri\u00e7\u00f5es de forma comumente vistas das superf\u00edcies de fronteira, tais como concavidade e monotonicidade em nosso procedimento de estimativa usando m\u00e9todos n\u00e3o-param\u00e9tricos com restri\u00e7\u00e3o de par\u00e2metros livres de par\u00e2metros de sintoniza\u00e7\u00e3o. Al\u00e9m disso, mostramos consist\u00eancia e teoria distributiva assint\u00f3tica de nosso estimador proposto sob suposi\u00e7\u00f5es padr\u00e3o no ajuste de entrada multidimensional.<\/p>\n<\/div>\n\n\n\n

<\/p>\n\n\n\n

Semin\u00e1rio 02\/09\/2019. Prof Danilo Marcondes Filho<\/span>
\n

T\u00edtulo: Modelagem e Controle de Processos em Bateladas via m\u00e9todo STATIS<\/strong><\/p>\n

Resumo: O Controle Estat\u00edstico de Processo engloba um conjunto de t\u00e9cnicas e procedimentos com objetivos de monitoramento e melhoria de processos. A ferramenta frequentemente utilizada para cumprir o primeiro objetivo \u00e9 a Carta de Controle (CC), criada por Walter A. Shewhart na d\u00e9cada de 1920. Em linhas gerais, a ideia \u00e9 obter a partir de dados hist\u00f3ricos do processo limites que discriminam a variabilidade “natural” (isto \u00e9, do processo operando de maneira est\u00e1vel) da variabilidade “n\u00e3o prevista”. Na medida que os processos se tornam mais complexos, automatizados, gerando uma quantidade maior de dados, h\u00e1 um interesse cont\u00ednuo no desenvolvimento CCs mais robustas e mais adequadas para tais processos. Esse cen\u00e1rio tem sido bastante favor\u00e1vel aos “Estat\u00edsticos”, pois vem permitindo o desenvolvimento uma s\u00e9rie de abordagens baseadas em modifica\u00e7\u00f5es e adapta\u00e7\u00f5es de t\u00e9cnicas estat\u00edsticas para resolver problemas relacionados. Em particular, o foco desse semin\u00e1rio est\u00e1 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 m\u00e9todo STATIS (do franc\u00eas: Structuration des Tableaux A Trois Indices de la Statistique).<\/p>\n<\/div>\n\n\n\n

<\/p>\n<\/div>\n\n\n\n

Semin\u00e1rio 09\/09\/2019. Prof M\u00e1rcio Valk<\/span>
\n

T\u00edtulo:\u00a0Cartas de Controle Baseadas na Din\u00e2mica do Modelo VAR para Monitoramento de Processos em Batelada<\/strong>
\n<\/span><\/p>\n

Resumo: Na \u00e1rea de Controle Estat\u00edstico de Processos existem v\u00e1rias abordagens diferentes para lidar com o monitoramento de processos em batelada. Esses processos apresentam uma estrutura de dados three-way (bateladas x vari\u00e1veis x instantes de tempo), de modo que, para cada batelada, uma s\u00e9rie temporal multivariada est\u00e1 dispon\u00edvel. As abordagens tradicionais n\u00e3o levam em considera\u00e7\u00e3o a natureza de s\u00e9ries temporais dos dados. Eles lidam com esse tipo de dados aplicando t\u00e9cnicas multivariadas em uma estrutura de dados reduzida bidirecional, a fim de capturar a din\u00e2mica de vari\u00e1veis de alguma maneira.
\nDesenvolvimentos recentes prop\u00f5em o uso de modelos de s\u00e9ries temporais, em especial o modelo VAR, considerando a estrutura original three-way. No entanto, eles est\u00e3o restritos \u00e0s abordagens de controle focadas nos res\u00edduos do VAR. Este artigo prop\u00f5e uma nova abordagem para lidar com processos em batelada usando o modelo VAR, mas com foco nos coeficientes em vez dos res\u00edduos. Por meio de um processo em batelada simulado, ilustramos o melhor desempenho de nossa abordagem em rela\u00e7\u00e3o as cartas de controle baseadas em res\u00edduos, no contexto offline e online.<\/p>\n<\/div>\n<\/div>\n\n\n\n

<\/p>\n\n\nSemin\u00e1rio 16\/09\/2019. Prof Eduardo Horta<\/span>

\n

T\u00edtulo:\u00a0Smoothing quantile regressions<\/strong><\/p>\n

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.<\/p>\n<\/div>\n","protected":false},"excerpt":{"rendered":"","protected":false},"author":1,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"site-sidebar-layout":"default","site-content-layout":"default","ast-global-header-display":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","footnotes":""},"_links":{"self":[{"href":"https:\/\/www.ufrgs.br\/ppgest\/wp-json\/wp\/v2\/pages\/678"}],"collection":[{"href":"https:\/\/www.ufrgs.br\/ppgest\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/www.ufrgs.br\/ppgest\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/www.ufrgs.br\/ppgest\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.ufrgs.br\/ppgest\/wp-json\/wp\/v2\/comments?post=678"}],"version-history":[{"count":2,"href":"https:\/\/www.ufrgs.br\/ppgest\/wp-json\/wp\/v2\/pages\/678\/revisions"}],"predecessor-version":[{"id":680,"href":"https:\/\/www.ufrgs.br\/ppgest\/wp-json\/wp\/v2\/pages\/678\/revisions\/680"}],"wp:attachment":[{"href":"https:\/\/www.ufrgs.br\/ppgest\/wp-json\/wp\/v2\/media?parent=678"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}