| Summary: | Submitted by Elizabete Silva (elizabete.silva@ufes.br) on 2015-11-23T18:55:03Z
No. of bitstreams: 2
license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5)
ANALISE FATORIAL EM SERIES TEMPORAIS.pdf: 2194722 bytes, checksum: 443c7c57567200ac6397234fc6b5687f (MD5) === Approved for entry into archive by Morgana Andrade (morgana.andrade@ufes.br) on 2016-01-05T10:06:44Z (GMT) No. of bitstreams: 2
license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5)
ANALISE FATORIAL EM SERIES TEMPORAIS.pdf: 2194722 bytes, checksum: 443c7c57567200ac6397234fc6b5687f (MD5) === Made available in DSpace on 2016-01-05T10:06:44Z (GMT). No. of bitstreams: 2
license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5)
ANALISE FATORIAL EM SERIES TEMPORAIS.pdf: 2194722 bytes, checksum: 443c7c57567200ac6397234fc6b5687f (MD5)
Previous issue date: 2015 === CAPES === Os estudos de polui c~ao atmosf erica geralmente envolvem medi c~oes e an alises de dados de
concentra c~oes de poluentes, como e o caso do MP10 (material particulado), de SO2 (di oxido
de enxofre) e de outros poluentes. Estes dados normalmente possuem caracter sticas importantes
como autocorrela c~ao, longa depend^encia, sazonalidade e observa c~oes at picas, que
necessitam de ferramentas de an alise de s eries temporais multivariadas para avaliar o seu
comportamento na atmosfera. Neste contexto, propomos um estimador fracion ario robusto
da matriz de autocovari^ancia robusta de longa depend^encia e frequ^encia sazonal, para o modelo
SARFIMA. O interesse pr atico em polui c~ao do ar e avaliar o comportamento das s eries
de concentra c~oes de SO2 e fazer as previs~oes, mais acuradas, deste poluente. As previs~oes,
do modelo SARFIMA estimado, s~ao comparadas as previs~oes do modelo SARMA, atrav es
do erro quadr atico m edio.
Existe outra di culdade na investiga c~ao dos poluentes atmosf ericos, por modelos de s eries
temporais: os dados de SO2, de MP10 e de outros poluentes possuem alta dimensionalidade.
Este fato di culta o tratamento dos dados atrav es de modelos vetoriais autorregressivos,
pelo excessivo n umero de par^ametros estimados. Na literatura, a abordagem do problema
para s eries temporais de grandes dimens~oes e feita atrav es da redu c~ao da dimensionalidade
dos dados, utilizando, principalmente, o modelo fatorial e o m etodo de componentes principais.
Por em, as caracter sticas de longa depend^encia e de observa c~oes at picas das s eries de
polui c~ao atmosf erica, normalmente, n~ao s~ao envolvidas na teoria de an alise fatorial. Neste
contexto, propomos aqui uma contribui c~ao te orica para o modelo fatorial de s eries temporais
de grandes dimens~oes, envolvendo longa depend^encia e robustez na estima c~ao dos fatores. O
modelo sugerido e aplicado em s eries de MP10 da rede de monitoramento da qualidade do ar
da Grande Vit oria - ES. === Studies about air pollution typically involve measurements and analysis of pollutants, such
as PM10 (particulate matter), SO2 (sulfur dioxide) and others. These data typically have
important features like serial correlation, long dependency, seasonality and occurence of atypical
observations, and many others, which may be analyzed by means of multivariate time
series. In this context, a robust estimator of fractional robust autocovariance matrix of long
dependence and seasonal frequency for SARFIMA model is proposed. The model is compared
to SARMA model and is applied to SO2 concentrations.
In addition of the mentioned features the data present high dimensionality in relation to
sample size and number of variables. This fact complicates the analisys of the data using
vector time series models. In the literature, the approach to mitigate this problem for high
dimensional time series is to reduce the dimensionality using the factor analysis and principal
component analysis. However, the long dependence characteristics and atypical observations,
very common in air pollution series, is not considered by the standard factor analysis method.
In this context, the standard factor model is extended to consider time series data presenting
long dependence and outliers. The proposed method is applied to PM10 series of air quality
monitoring network of the Greater Vit oria Region - ES.
|
|---|
