Busca avançada
Ano de início
Entree
(Referência obtida automaticamente do Web of Science, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores.)

Comparison between Basic and Toeplitz SSA applied to non-stationary time-series

Texto completo
Autor(es):
Leles, Michel C. R. [1] ; Moreira, Mariana G. [1] ; Vale-Cardoso, Adriano S. [1] ; Nascimento Junior, Cairo L. [2] ; Sbruzzi, Elton F. [3] ; Guimaraes, Homero N. [4]
Número total de Autores: 6
Afiliação do(s) autor(es):
[1] Univ Fed Sao Joao del Rei, Dept Technol, Ouro Branco, MG - Brazil
[2] Inst Tecnol Aeronaut, Elect Engn Div, Sao Jose Dos Campos, SP - Brazil
[3] Inst Tecnol Aeronaut, Div Comp Sci, Sao Jose Dos Campos, SP - Brazil
[4] Univ Fed Minas Gerais, Dept Elect Engn, Belo Horizonte, MG - Brazil
Número total de Afiliações: 4
Tipo de documento: Artigo Científico
Fonte: STATISTICS AND ITS INTERFACE; v. 12, n. 4, p. 527-536, 2019.
Citações Web of Science: 0
Resumo

A comparison between two approaches of Singular Spectrum Analysis (SSA) methodology is presented: the Basic and the Toeplitz SSA. These approaches differ in assumptions about some SSA properties. Toeplitz SSA assumes time-series stationarity, which means that the process needs to be mean-reverting. However, such assumption is not a necessary condition for the Basic SSA. Therefore, the applicability of the Toeplitz SSA to non-stationary signals is still an under discussion subject. In this paper both approaches are applied to this kind of signal. Similarities and differences between these techniques are addressed. The frequency domain interpretation of eigenvectors as well as forecasting performance are presented for both methodologies. Several computer simulations involving both synthetic and actual data time-series, using the same parameters, were executed in order to compare the studied SSA approaches. The obtained results suggest the Toeplitz SSA should not be used for non-stationary time-series before removing their trend component. (AU)

Processo FAPESP: 16/04992-6 - Aplicação de técnicas de inteligência computacional e de análise de Big Data em um experimento com sistemas multi-agentes na área de finanças
Beneficiário:Cairo Lúcio Nascimento Júnior
Linha de fomento: Auxílio à Pesquisa - Programa eScience e Data Science - Regular
Processo FAPESP: 17/20248-8 - Aplicação de técnicas de inteligência computacional e de análise de Big Data em um experimento com sistemas multi-agentes na área de finanças
Beneficiário:Michel Carlo Rodrigues Leles
Linha de fomento: Bolsas no Brasil - Pós-Doutorado