|
|
Atividade
| 118310 - Análise em Séries Temporais |
| Período da turma: | 18/10/2023 a 24/10/2023
|
||||
|
|
|||||
| Descrição: | Dia da semana Período – Sala: Teleenfermagem Minicurso:
Quarta: 18/10/2023 – 09h00 as 12h00 Minicurso: Modelos clássicos de modelagem temporal univariada (modelos de decomposição e suavização exponencial) e modelos de regressão temporal Sexta: 20/10/2023 – 14h00 as 17h00 Minicurso: Modelos SARIMA: modelagem em R Studio Segunda: 23/10/2023 – 09h00 as 12h00 Minicurso: Modelos dinâmicos de regressão temporal Terça: 24/10/2023 – 09h00 as 12h00 Minicurso: Modelos avançados de previsão Neste minicurso serão abordados aspectos sobre os modelos SARIMA, utilizando o software R studio para modelação, com o objetivo de contribuir para o entendimento sobre modelagem temporal em estudos com séries temporais. Por definição, “séries temporais são sequências de observações que evoluem no tempo e, em geral, igualmente espaçadas onde a ordem de recolha desempenha um papel importante”. Para tanto, durante o minicurso serão abordadas questões referentes a análise e influências da sazonalidade nos modelos, como a função de autocorrelação (FAC) se comporta em sua presença, uso dos modelos SARIMA para modelar uma série temporal com sazonalidade. Também serão abordados aspectos acerca dos principais modelos clássicos e modelos de regressão temporal, bem como sua aplicação prática para visualizar os resultados que esses modelos podem gerar, compreendendo o mecanismo gerador da série e seu comportamento. Entre eles, destaca-se o modelo de decomposição STL (Seasonal and Trend decomposition using Loess), que é um método robusto de decomposição de uma série temporal nas componentes de tendência, sazonal e variação residual. Essa técnica permite ambos os modelos (aditivo e multiplicativo. Durante o minicurso, serão citados os principais modelos, sendo eles: GLM “clássicos” (abordagem frequentista) ou a abordagem Bayesiana – através dos métodos de Monte Carlo Markov Chain (MCMC) e o Modelo Autoregressivo Média Móvel Linear Generalizado (GLARMA), os quais são úteis para modelar variáveis respostas dependentes no tempo e que seguem uma distribuição exponencial, neste modelo é possível fazer previsões. Por fim, será abordado e demonstrado na prática os modelos de regressão dinâmica e os modelos de previsão mais avançados, com o objetivo de que os participantes conheçam sobre os modelos mais avançados nas séries temporais, de modo que será conceituado os modelos de regressão dinâmica os quais combinam a dinâmica de séries temporais e o efeito de variáveis explicativas. Ressaltou-se que o nome “regressão dinâmica” não indica que os parâmetros do modelo evoluem no tempo. O termo “dinâmica” significa, nesse caso, um modelo de regressão no qual se inclui a estrutura de dependência de uma série temporal. Esses modelos podem ser usados quando existe uma estrutura de dependência entre a variável de interesse e possíveis variáveis causais e, ao mesmo tempo, quando a estrutura de correlação da série dependente indicar que não se pode supor a independência dos erros. Além disso, será tratado sobre os modelos avançados de previsão, pois quando se tem séries temporais não-lineares, a modelagem usando estatística necessita de grande complexidade matemática, para isso utiliza-se métodos alternativos que possam modelar de forma eficiente o comportamento da série. Um modelo ARIMA e RNA de forma combinada para garantir a precisão dos resultados. Destaca-se que as aulas do minicurso serão ministradas utilizando o software RStudio e, portanto, espera-se que os alunos tenham noção básica de manuseio do programa. REFERÊNCIAS 1. Batra, Neale, et al. (2021) The Epidemiologist R Handbook. https://zenodo.org/badge/231610102.svg https://www.epirhandbook.com/en/#how-to-use-this-handbook 2. Cowpertwait, P. e Metcalfe, A. (2009). Introductory Time Series with R. Springer. 3. Cryer, J. e Chan, Kung-Sik (2010). Time Series Analysis: With Applications in R, (2nd ed.). Springer. 4. Hyndman, R. J. e Athanasopoulos, G. (2022). Forecasting: Principles and Practice. OTexts; 3nd edition 5. Shumway, R. e Stoffer, D. (2006). Time Series Analysis and its Applications: with R Examples. Springer 6. ANTUNES, JLF; CARDOSO, MRA. Uso da análise de séries temporais em estudos epidemiológicos. Epidemiologia e Serviços de Saúde, Brasília, v. 24, n. 3, p. 565-576, 2015. 7. BECKER, MH. Modelos para previsão em Séries Temproais: uma aplicação para a taxa de desemprego na região metropolitana de Porto Alegre. Trabalho de Conclusão de Curso. Bacharel em estatística. Universidade Federal do Rio Grande do Sul. 2010 8. Cleveland R, Cleveland W, McRee JE. Seasonal-trend decomposition procedure based on LOESS. J Offic Stat. 1990;6:3–73. 9. Hyndman R, Athanasopoulos G, Bergmeir C, Caceres G, Chhay L, O'Hara-Wild M et al. Package ‘forecast’: forecasting functions for time series and linear models. https://cran.r-project.org/web/packages/forecast/forecast.pdf. Accessed 27 Oct 2020. |
||||
| Carga Horária: |
12 horas |
||||
| Tipo: | Obrigatória | ||||
| Vagas oferecidas: | 30 | ||||
| Ministrantes: |
Aline Aparecida Monroe Dulce Maria de Oliveira Gomes Ricardo Alexandre Arcêncio Thais Zamboni Berra |
 voltar |
|
Créditos © 1999 - 2024 - Superintendência de Tecnologia da Informação/USP |