Clusterização temporal e performance preditiva em modelos INAR(1) semi-paramétricos

Resumo

Neste projeto, apresentamos extensões do modelo INAR(1) utilizando prioris não-paramétricas para as distribuições das inovações. Primeiramente, investigamos aspectos de clusterização e a performance preditiva do modelo baseado em Dirichlet Process Mixtures (DPM). De modo a superar algumas limitações desse modelo, estudamos prioris mais gerais, baseadas no processo de Pitman-Yor e em medidas do tipo Gibbs. Essa abordagem facilita a obtenção da distribuição a posteriori do número de clusters e pode melhorar a capacidade preditiva em diversas aplicações. Ademais, exploramos a previsão futura dos modelos propostos em conjuntos de dados sobredispersos. (AU)