Use este identificador para citar ou linkar para este item: http://repositorio.ufes.br/handle/10/1654
Título: Análise fatorial em series temporais com long-memory, outliers e sazonalidade : aplicação em poluição do ar na região da Grande Vitória-ES
Autor(es): Sgrancio, Adriano Marcio
Orientador: Reisen, Valdério Anselmo
Palavras-chave: Análise fatorial
Ar – Poluição
Análise de séries temporais
Valores estranhos (Estatística)
Estatística robusta
Dióxido de enxofre
Material particulado
Poluição do ar
Outliers
Robustez
Longa dependência
Material particulado
Dióxido de enxofre
Data do documento: 20-Jul-2015
Resumo: Os estudos de poluição atmosférica geralmente envolvem medições e análises de dados de concentrações de poluentes, como é o caso do MP10 (material particulado), de SO2 (Dióxido de enxofre) e de outros poluentes. Estes dados normalmente possuem características importantes como autocorrelação, longa dependência, sazonalidade e observações atípicas, que necessitam de ferramentas de análise de séries temporais multivariadas para avaliar o seu comportamento na atmosfera. Neste contexto, propomos um estimador fracionário robusto da matriz de autocovariância robusta de longa dependência e frequência sazonal, para o modelo SARFIMA. O interesse prático em poluição do ar ´e avaliar o comportamento das séries de concentrações de SO2 e fazer as previsões, mais acuradas, deste poluente. As previsões, do modelo SARFIMA estimado, são comparadas às previsões do modelo SARMA, através do erro quadrático médio. Existe outra dificuldade na investigação dos poluentes atmosféricos, por modelos de séries temporais: os dados de SO2, de MP10 e de outros poluentes possuem alta dimensionalidade. Este fato dificulta o tratamento dos dados através de modelos vetoriais autorregressivos, pelo excessivo número de parâmetros estimados. Na literatura, a abordagem do problema para séries temporais de grandes dimensões ´e feita através da redução da dimensionalidade dos dados, utilizando, principalmente, o modelo fatorial e o método de componentes principais. Porém, as características de longa dependência e de observações atípicas das séries de poluição atmosférica, normalmente, não são envolvidas na teoria de análise fatorial. Neste contexto, propomos aqui uma contribuição teórica para o modelo fatorial de séries temporais de grandes dimensões, envolvendo longa dependência e robustez na estimação dos fatores. O modelo sugerido ´e aplicado em séries de MP10 da rede de monitoramento da qualidade do ar da Grande Vitória - 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 Vitoria Region - ES.
URI: http://repositorio.ufes.br/handle/10/1654
Aparece nas coleções:PPGEA - Teses de doutorado

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
ANALISE FATORIAL EM SERIES TEMPORAIS.pdf2.14 MBAdobe PDFVisualizar/Abrir


Este item está licenciada sob uma Licença Creative Commons Creative Commons