Um Esquema Eficiente de Amostragem em Modelos Dinâmicos Generalizados com Aplicações em Funções de T por Romy Elena Rodríguez Ravines - Versão HTML
Faça o download do livro em PDF, ePub para obter uma versão completa.
Universidade Federal do Rio de Janeiro
UM ESQUEMA EFICIENTE DE AMOSTRAGEM EM MODELOS DIN ÂMICOS
GENERALIZADOS COM APLICAC¸ ˜OES EM FUNC¸ ˜OES DE TRANSFER ÊNCIA
Romy Elena Rodr´ıguez Ravines
2006
UFRJ
UM ESQUEMA EFICIENTE DE AMOSTRAGEM EM MODELOS DIN ÂMICOS
GENERALIZADOS COM APLICAC¸ ˜OES EM FUNC¸ ˜OES DE TRANSFER ÊNCIA
Romy Elena Rodr´ıguez Ravines
Tese de Doutorado submetida ao Programa de P ós-
graduac¸˜ao em Estat´ıstica do Instituto de Matemática
da Universidade Federal do Rio de Janeiro, como
parte dos requisitos necessários para obtenc¸˜ao do
grau de Doutor em Ciências Estat´ısticas.
Orientador: Prof. Helio S. Migon
Co-orientadora: Profa. Alexandra M. Schmidt
Rio de Janeiro, Dezembro de 2006
UM ESQUEMA EFICIENTE DE AMOSTRAGEM EM MODELOS DIN ÂMICOS
GENERALIZADOS COM APLICAC¸ ˜OES EM FUNC¸ ˜OES DE TRANSFER ÊNCIA
Romy Elena Rodr´ıguez Ravines
Orientador: Prof. Helio S. Migon
Co-orientadora: Profa. Alexandra M. Schmidt
Tese de Doutorado submetida ao Programa de P ós-graduac¸˜ao em Estat´ıstica do Ins-
tituto de Matemática da Universidade Federal do Rio de Janeiro, como parte dos requi-
sitos necessários para obtenc¸˜ao do grau de Doutor em Ciências Estat´ısticas.
Presidente, Prof. Helio S. Migon
Profa. Alexandra M. Schmidt
IM-UFRJ
IM-UFRJ
Prof. Dani Gamerman
Prof. Hedibert F. Lopes
IM-UFRJ
GSB-UC, EUA
Prof. Nikolai V. Kolev
Prof. Francisco Cribari Neto
IME-USP
DE-UFPE
Rio de Janeiro, Dezembro de 2006
Ravines, Romy Elena Rodr´ıguez
Um Esquema Eficiente de Amostragem em Modelos Dinâmicos
Generalizados com Aplicac¸ ˜oes em Func¸ ˜oes de Transferência/ Romy
Elena Rodr´ıguez Ravines.- Rio de Janeiro: UFRJ/IM, 2006.
xiii, 130f.: il.; 31cm.
Orientadores: Helio S. Migon, Alexandra M. Schmidt
Tese (doutorado) - UFRJ/IM/ Programa de P ós-graduac¸˜ao em Es-
tat´ıstica, 2006.
Referências Bibliográficas: f.131-136.
1. MCMC. 2. Inferência Bayesiana. 3. Modelos Espac¸o-Temporais.
I. Migon, Helio. II. Universidade Federal do Rio de Janeiro, Instituto
de Matemática. III. T´ıtulo.
Agradecimentos
Esta tese foi poss´ıvel grac¸as ao apoio financeiro da CAPES, à valiosa
colaborac¸˜ao e à atenc¸˜ao dedicada a este trabalho por meus orientadores
Helio S. Migon e Alexandra M. Schmidt, ao incentivo de todos os
meus amigos do DME, ao apoio incondicional de minha fam´ılia e, em
especial, de meu querido Ralph.
A todos, muito obrigada.
RESUMO
UM ESQUEMA EFICIENTE DE AMOSTRAGEM EM MODELOS DIN ÂMICOS
GENERALIZADOS COM APLICAC¸ ˜OES EM FUNC¸ ˜OES DE TRANSFER ÊNCIA
Romy Elena Rodr´ıguez Ravines
Orientador: Prof. Helio S. Migon
Co-orientadora: Profa. Alexandra M. Schmidt
Resumo da Tese de Doutorado submetida ao Programa de P ós-graduac¸˜ao em Estat´ıstica do Instituto de
Matemática da Universidade Federal do Rio de Janeiro, como parte dos requisitos necessários para obtenc¸˜ao
do grau de Doutor em Ciências Estat´ısticas.
Os principais objetivos desta tese foram: (i) propor um esquema de amostragem eficiente para
fazer inferência em modelos dinâmicos n˜ao normais e n˜ao lineares, usando o enfoque bayesiano, e
(ii) mostrar a sua aplicac¸˜ao em modelos de alta complexidade, em particular os modelos de func¸˜ao
de transferência.
O esquema de amostragem aqui proposto é denominado CUBS, abreviac¸˜ao do inglês Conjugate
Updating Backward Sampling. Este esquema combina duas propostas previamente estabelecidas na
literatura: o Conjugate Updating ou Linear Bayes de West et al. (1985) e o FFBS de Fr ühwirth-Schnater
(1994). Os resultados obtidos mostram que o esquema proposto é eficiente no sentido de reduzir
significativamente o tempo computacional e ser de fácil implementac¸˜ao. Milhares de iterac¸ ˜oes do
MCMC s˜ao realizadas em minutos e as cadeias geradas apresentam menos autocorrelac¸˜ao que as
geradas com métodos de amostragem individual.
Utilizamos o esquema proposto na modelagem estocástica conjunta da chuva e vaz˜ao prove-
nientes de m últiplas bacias. A modelagem utilizada é outra proposta desta tese. A classe dos
modelos dinâmicos de func¸˜ao de transferência foi a escolhida para representar a relac¸˜ao entre am-
bas variáveis e um modelo espac¸o-temporal com troca de suporte foi escolhido para representar a
chuva. Os resultados mostraram que nossa abordagem é bastante flex´ıvel e parcimoniosa no sen-
tido de ter poucos parâmetros para representar (bem) todos os processos f´ısicos envolvidos nessa
relac¸˜ao.
Palavras-chave: Chuva-vaz˜ao; Defasagens Distribu´ıdas; Inferência Bayesiana; Func¸ ˜oes de Trans-
ferência; Linear Bayes; Markov chain Monte Carlo; Modelos Dinâmicos; Troca de Suporte; WinBUGS.
ABSTRACT
AN EFFICIENT SAMPLING SCHEME FOR DYNAMIC GENERALIZED MODELS WITH
APPLICATIONS IN TRANSFER FUNCTIONS
Romy Elena Rodr´ıguez Ravines
Orientador: Prof. Helio S. Migon
Co-orientadora: Profa. Alexandra M. Schmidt
Abstract da Tese de Doutorado submetida ao Programa de P ós-graduac¸˜ao em Estat´ıstica do Instituto de
Matemática da Universidade Federal do Rio de Janeiro, como parte dos requisitos necessários para obtenc¸˜ao
do grau de Doutor em Ciências Estat´ısticas.
The main goals of this thesis were: (i) to propose an efficient sampling scheme to make inference
on non-normal and non-linear dynamic models, under the Bayesian framework, and (ii) to show
its application to complex models, in particular, the transfer function models.
The sampling scheme proposed here is called CUBS, short for Conjugate Updating Backward Sam-
pling. This scheme combines two algorithms previously established in the literature: the Conjugate
Updating or Linear Bayes from West et al. (1985) and, the FFBS from Fr ühwirth-Schnater (1994).
The results showed that CUBS is efficient because its implementation is quite simple and has low
demand of computational time. Thousands of iterations can be performed in seconds and the
autocorrelation of its chains is lower than those from chains generated with simple move schemes.
CUBS was used in a particular approach, proposed here, for modelling rainfall and runoff
jointly. The class of dynamic models of transfer functions was chosen to represent the relationship
between both variables. A spatio-temporal model with change of support was used to model
the rainfall. The results showed that our approach is flexible and parsimonious, this because it
simplifies the physical processes involved in this relationship, in a function with few parameters
all with a clear physical interpretation.
Key-words: Bayesian inference; Change of support; Distributed Lag; Dynamic Models; Linear
Bayes; Transfer functions; Monte Carlo Markov chain, Rainfall-Runoff; WinBUGS.
SUM ´
ARIO
xi
xii
1
Modelos de Func¸˜ao de Transferência . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2
Objetivos da Tese . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3
Organizac¸˜ao da Tese . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4
Inferência Bayesiana em Modelos de Defasagens Distribu´ıdas
5
Introduc¸˜ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5
Modelos de Defasagens Distribu´ıdas
. . . . . . . . . . . . . . . . . . . . . . . . . . .
7
Defasagens Distribu´ıdas Infinitas . . . . . . . . . . . . . . . . . . . . . . . . . .
7
Defasagens Distribu´ıdas Finitas
. . . . . . . . . . . . . . . . . . . . . . . . . .
9
Modelos Lineares Dinâmicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9
Modelos de Func¸˜ao de Transferência . . . . . . . . . . . . . . . . . . . . . . . .
10
Func¸ ˜oes de Transferência e Defasagens Distribu´ıdas . . . . . . . . . . . . . . .
11
Procedimento de Inferência . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
12
Aplicac¸˜ao: uma Func¸˜ao Consumo . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13
Dados e Modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13
Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
15
Selec¸˜ao de Modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
17
Comparac¸˜ao com uma Abordagem Clássica . . . . . . . . . . . . . . . . . . .
19
Bondade de Ajuste e Previs˜ao . . . . . . . . . . . . . . . . . . . . . . . . . . . .
21
Tratamento da Endogeneidade . . . . . . . . . . . . . . . . . . . . . . . . . . .
22
viii
Considerac¸ ˜oes Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
23
Apêndice: Exemplo de c ódigo usado em WinBUGS . . . . . . . . . . . . . . . . . . . .
25
Um Esquema de Amostragem Eficiente para Modelos Dinâmicos Genera-
26
Introduc¸˜ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
26
Esquema de Amostragem Proposto
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
28
Comparac¸˜ao de Esquemas de Amostragem . . . . . . . . . . . . . . . . . . . . . . . .
33
Estudo de Monte Carlo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
33
Dados Reais: Precipitac¸˜ao em Tokyo
. . . . . . . . . . . . . . . . . . . . . . .
39
Dados Reais: Chuva e Vaz˜ao no Rio Fartura (SP)
. . . . . . . . . . . . . . . .
43
Considerac¸ ˜oes Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
46
Apêndice: Algumas Equac¸ ˜oes para os Parâmetros a Priori e a Posteriori . . . . . . .
50
Apêndice: O Caso da Distribuic¸˜ao Gama . . . . . . . . . . . . . . . . . . . . . . . . .
51
Uma Abordagem Bayesiana da Relaç˜ao Chuva-Vaz˜ao
53
Introduc¸˜ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
53
Bacia do Rio Grande (BA), Brasil.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
55
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
56
Um Modelo Dinâmico de Func¸˜ao de Transferência
. . . . . . . . . . . . . . .
56
Modelando a Chuva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
58
Procedimento de Inferência . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
59
Modelagem na Prática . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
61
Distribuic¸ ˜oes a Priori e Condicionais Completas . . . . . . . . . . . . . . . . .
62
Principais Aspectos Computacionais . . . . . . . . . . . . . . . . . . . . . . . .
63
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
63
Interpolac¸ ˜oes Espaciais e Previs ˜oes Temporais . . . . . . . . . . . . . . . . . .
70
Considerac¸ ˜oes Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
71
Apêndice: Verossimilhanc¸a - Mudanc¸a de Suporte . . . . . . . . . . . . . . . . . . . .
72
Apêndice: Postos Fluviométricos e Pluviométricos . . . . . . . . . . . . . . . . . . . .
74
ix
Modelagem de M últiplas Séries de Vaz˜ao
75
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
75
Modelo conjunto proposto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
75
Especificac¸˜ao Condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
77
Efeito da Chuva: func¸˜ao de transferência . . . . . . . . . . . . . . . . . . . . .
77
Procedimento de Inferência . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
79
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
80
Modelando a Chuva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
80
Modelando a Vaz˜ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
84
Considerac¸ ˜oes Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
90
Apêndice I: Algumas Estat´ısticas da Distribuic¸˜ao Log-Normal Multivariada . . . . .
91
Consideraç ˜oes Finais e Trabalhos Futuros
95
Considerac¸ ˜oes Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
95
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
97
Sobre o Esquema Proposto para Modelos Generalizados Dinâmicos
. . . . .
97
Sobre a Relac¸˜ao Chuva-Vaz˜ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
104
Distribuiç ˜oes Condicionais Completas e Métodos de Amostragem
109
B.1 Modelo Linear Normal de Func¸˜ao de Transferência N˜ao Estocástica
. . . . . . . . . 109
B.2 Modelo Linear Normal de Func¸˜ao de Transferência Estocástica
. . . . . . . . . . . . 111
B.3 Modelo Linear Gama de Func¸˜ao de Transferência N˜ao Estocástica
. . . . . . . . . . 115
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
Condicionais Completas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
B.4 Modelo Linear Gama de Func¸˜ao de Transferência Estocástica
. . . . . . . . . . . . . 120
Alternativa de Amostragem para Et, t = 1, . . . , T
. . . . . . . . . . . . . . . . 121
B.5 Modelo de Func¸˜ao de Transferência N˜ao Estocástica com Estrutura Hierárquica
. . 124
CUBS na Fam´ılia Exponencial K−Paramétrica
128
x
LISTA DE TABELAS
Estat´ısticas a posteriori no modelo (2.15) com Erro I . . . . . . . . . . . . . . . . . . .
Estat´ısticas a posteriori no modelo (2.15) com Erro II . . . . . . . . . . . . . . . . . . .
Comparac¸˜ao de modelos: DIC e EPD . . . . . . . . . . . . . . . . . . . . . . . . . . . .
20
Elasticidades de longo e curto prazo . . . . . . . . . . . . . . . . . . . . . . . . . . . .
21
Estat´ısticas a posteriori no modelo (2.16) com Erro II e AR(1) para a renda . . . . . .
RMSE, tempo computacional e taxas de aceitac¸˜ao no estudo de Monte Carlo . . . . .
38
RMSEY e taxas de aceitac¸˜ao para a Chuva em Tokyo. . . . . . . . . . . . . . . . . . . .
43
Estat´ısticas a posteriori de W para a chuva em Tokyo. . . . . . . . . . . . . . . . . . .
43
Comparac¸˜ao para a vaz˜ao no Rio Fartura . . . . . . . . . . . . . . . . . . . . . . . . .
45
PSRF e fatores de ineficiência para a Vaz˜ao no Rio Fartura . . . . . . . . . . . . . . .
49
Equac¸ ˜oes para calcular momentos a priori e a posteriori no CUBS. . . . . . . . . . . .
50
Estat´ısticas a posteriori para o modelo de chuva . . . . . . . . . . . . . . . . . . . . .
65
Comparac¸˜ao de modelos: DIC, EPD, MSE, MAE . . . . . . . . . . . . . . . . . . . . .
68
Postos fluviométricos e pluviométricos . . . . . . . . . . . . . . . . . . . . . . . . . . .
74
Postos fluviométricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
84
Estat´ısticas a posteriori do modelo conjunto . . . . . . . . . . . . . . . . . . . . . . . .
86
Correlac¸˜ao no modelo conjunto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
87
Estat´ısticas a posteriori nos modelos univariados . . . . . . . . . . . . . . . . . . . . .
88
Comparac¸˜ao de estimativas médias: conjunto vs univariados . . . . . . . . . . . . . .
89
Comparac¸˜ao de estimativas pontuais: conjunto vs univariados . . . . . . . . . . . . .
90
Comparac¸˜ao de modelos: conjunto vs univariados . . . . . . . . . . . . . . . . . . . .
90
xi
LISTA DE FIGURAS
Dados de renda e consumo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
14
k e λ no o modelo (2.15) com Erro I. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
k e λ no modelo (2.15) com Erro II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Elasticidades de longo e curto prazo . . . . . . . . . . . . . . . . . . . . . . . . . . . .
21
Valores replicados e previs˜ao do consumo . . . . . . . . . . . . . . . . . . . . . . . . .
22
Box plots das ineficiências . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
40
Box plots das medianas a posteriori de W. . . . . . . . . . . . . . . . . . . . . . . . . .
41
Autocorrelogramas para a Chuva em Tokyo. . . . . . . . . . . . . . . . . . . . . . . .
42
Box plots das ineficiências e amostras de W para a Chuva em Tokyo. . . . . . . . . . .
44
Box plots e autocorrelogramas para a Vaz˜ao no Rio Fartura . . . . . . . . . . . . . . .
47
Correlogramas cruzados para a Vaz˜ao no Rio Fartura . . . . . . . . . . . . . . . . . .
48
Dados da bacia do Rio Grande . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
55
Hip óteses nas func¸ ˜oes de transferência . . . . . . . . . . . . . . . . . . . . . . . . . . .
57
Trajet ória estimada para os parâmetros do modelo da chuva . . . . . . . . . . . . . .
64
Médias a posteriori da chuva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
65
Chuva na bacia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
66
Modelo da vaz˜ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
68
Func¸˜ao resposta-impulso da vaz˜ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
69
Valores ajustados de vaz˜ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
70
Valores previstos de chuva e vaz˜ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
71
Hidrografia do Rio Grande . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
76
Sub-bacias do Rio Grande . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
81
Dados das sub-bacias do Rio Grande . . . . . . . . . . . . . . . . . . . . . . . . . . . .
81
Chuva acumulada por sub-bacia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
83
Vaz˜ao no modelo condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
85
xii
1
Cap´ıtulo 1
INTRODUC
¸ ˜
AO
A modelagem estocástica da relac¸˜ao entre chuva e vaz˜ao, duas das mais importantes variáveis
hidrol ógicas, envolve alguns desafios estat´ısticos que motivaram a realizac¸˜ao desta tese. Um deles
é a modelagem conjunta de ambas variáveis utilizando modelos que representem adequadamente
os processo f´ısicos envolvidos. A classe dos modelos dinâmicos de func¸ ˜oes de transferência foi a
escolhida para abordar esta relac¸˜ao. A inferência sobre os parâmetros dos modelos foi realizada
sob o paradigma bayesiano e a ênfase foi dada à eficiência dos métodos de amostragem das distri-
buic¸ ˜oes a posteriori dos parâmetros de estado dos modelos dinâmicos.
Desta forma, esta tese teve como objetivos gerais: (i) propor um esquema de amostragem efi-
ciente para fazer inferência em modelos dinâmicos n˜ao normais e n˜ao lineares, usando o enfoque
bayesiano, e (ii) mostrar a sua aplicac¸˜ao em modelos de alta complexidade, em particular os mo-
delos de func¸˜ao de transferência, aplicados à modelagem conjunta de chuva e vaz˜ao.
Esta introduc¸˜ao está organizada da seguinte forma. As sec¸ ˜oes 1.1 e 1.2 apresentam um resumo dos principais temas abordados nesta tese: modelos de func¸˜ao de transferência e a relac¸˜ao chuva-vaz˜ao. Na sec¸˜ao 1.3 s˜ao estabelecidos os objetivos gerais e espec´ıficos desta tese. A sec¸˜ao 1.4
descreve a organizac¸˜ao dos outros cap´ıtulos desta tese.
1.1
Modelos de Funç˜ao de Transferência
Os modelos de func¸˜ao de transferência (FT) est˜ao entre os mais utilizados na modelagem de séries
temporais em diversas áreas como Engenharia, Economia, Meio Ambiente, etc. Seja {Yt, t = 1, 2, . . .}
a série de interesse (dependente, resposta ou output) e sejam {Xit, t = 1, 2, . . .} k séries exógenas
(inputs), onde i indexa a i−ésima série, i = 1, . . . , k. O modelo de FT (na representac¸˜ao polinomial)
relaciona as séries através da seguinte equac¸˜ao:
k
k
Yt =
Eit + υt =
νi(B)Xit + υt,
(1.1)
i=1
i=1
2
onde Eit representa o efeito da FT da i−ésima variável exógena, νi(B) =
∞
ν
j=−∞ ijBj, B é o operador
de defasagens, isto é, BYt = Yt−1, e υt é uma série de ru´ıdos independente de {Xit}. O termo υt pode
tomar diferentes especificac¸ ˜oes o que faz este tipo de modelagem muito flex´ıvel e versátil.
Nesta tese optamos por utilizar a representac¸˜ao de modelos de func¸˜ao de transferência apre-
sentada em West & Harrison (1997, p. 281), mas para o caso mais geral em que a variável resposta, Yt, segue uma distribuic¸˜ao na fam´ılia exponencial; isto é,
Yt ∼ p(Yt|µt, λt)
(1.2a)
k
f (µt) =
Eit
(1.2b)
i=1
Eit = g(Ei,t−1, . . . , Ei0, Xit, . . . , Xi1),
(1.2c)
onde p(Yt|µt, λt) denota uma distribuic¸˜ao normal, ou binomial, ou Poisson, ou gama, etc., e µt
denota a média de p(Yt|µt, λt). A func¸˜ao f (µt) é conhecida e, na linguagem de modelos generali-
zados, é denominada func¸˜ao de ligac¸˜ao. A func¸˜ao g(·) também é conhecida e descreve os efeitos
da covariável Xi sobre Yt. O modelo em (1.2) é um modelo n˜ao-linear e inclui importantes casos
particulares, por exemplo, os coeficientes da func¸˜ao g(·) podem variar suavemente ao longo do
tempo e/ou f (µt) pode incluir um termo de erro aleatório.
Sob o ponto de vista bayesiano, o modelo em (1.2) fica completamente especificado depois da
especificac¸˜ao da distribuic¸˜ao a priori dos parâmetros do modelo. A estimac¸˜ao de seus (hiper)pa-
râmetros pode n˜ao ser uma tarefa fácil pois n˜ao é poss´ıvel fazer inferência anal´ıtica. Alves (2005)
estuda a inferência usando o método Monte Carlo via cadeias de Markov (MCMC), mostrando
que esse método, embora computacionalmente intensivo, permite a obtenc¸˜ao de bons resulta-
dos. Neste sentido, um esquema que permita reduzir o tempo computacional e que seja de fácil
implementac¸˜ao é um produto que pode auxiliar na modelagem de problemas cada vez mais com-
plexos e/ou incentivar o uso destes modelos por parte de pesquisadores de outras áreas.
1.2
Relaç˜ao Chuva-Vaz˜ao
Das fases do ciclo hidrol ógico, talvez a mais importante seja a do escoamento superficial que
tem origem, fundamentalmente, nas precipitac¸ ˜oes. A vaz˜ao, ou volume escoado por unidade de
tempo, é a principal grandeza que caracteriza um escoamento e normalmente é expressa em metros
c úbicos por segundo. Sabe-se que a vaz˜ao do per´ıodo atual depende da vaz˜ao do per´ıodo ante-
rior e do volume da chuva passada e atual, sendo modelos do tipo auto-regressivo (AR) ou média
3
m óvel (MA), como os descritos em Sales (1989), comumente utilizados para a previs˜ao de vaz ˜oes.
Contudo, estes tipos de modelos s˜ao ajustados sob as hip óteses de normalidade e estacionarie-
dade. Além disso, a relac¸˜ao chuva-vaz˜ao é basicamente n˜ao linear. Nesse sentido, s˜ao necessários
modelos estocásticos que descrevam essa relac¸˜ao e permitam o ajuste de séries n˜ao estacionárias
com distribuic¸˜ao para variáveis reais positivas como, por exemplo, o modelo em (1.2).
Por outro lado, os modelos tradicionais de chuva-vaz˜ao consideram que a chuva é dada, isto
é, que existe uma única medida de precipitac¸˜ao numa bacia. Porém, na maioria dos casos, a
precipitac¸˜ao é medida em mais de uma estac¸˜ao meteorol ógica dentro de uma mesma bacia, por-
tanto é necessário algum método para usar a informac¸˜ao de todos os postos e estimar a precipitac¸˜ao
de toda a bacia. Existem métodos que prop ˜oem uso de pol´ıgonos para determinar a área de in-
fluência de cada posto na bacia e representar a precipitac¸˜ao total como uma média ponderada das
medidas em cada posto. O principal problema com este tipo de método é que a incerteza associada
com este processo n˜ao é considerada no processo de inferência.
Do descrito nesta sec¸˜ao nota-se a importância da modelagem conjunta da chuva e da vaz˜ao,
considerando que a medic¸˜ao de ambas variáveis é realizada de forma diferente. Também, o modelo
proposto deve ser capaz de fornecer boas previs ˜oes da quantidade d’água dispon´ıvel, informac¸˜ao
de vital importância para a gest˜ao d’águas.
1.3
Objetivos da Tese
Com base na breve exposic¸˜ao realizada nas duas sec¸ ˜oes anteriores, formulamos como objetivos
gerais desta tese: (1) propor um esquema de amostragem eficiente para obter amostras das distri-
buic¸ ˜oes a posteriori das quantidades desconhecidas nos modelos dinâmicos generalizados; (2) es-
tudar os modelos de func¸˜ao de transferência dentro da classe dos modelos dinâmicos n˜ao normais,
usando o enfoque bayesiano; e (3) aplicar o esquema proposto em modelos de alta complexidade
com dados reais. Como objetivos espec´ıficos temos: (i) re-estimar os modelos de chuva-vaz˜ao
estudados em Migon & Monteiro (1997), incluindo poss´ıveis extens ˜oes dentro da especificac¸˜ao de modelos dinâmicos, (ii) implementar diversos algoritmos MCMC para amostrar da distribuic¸˜ao a posteriori e comparar os resultados obtidos, (iii) modelar dados de chuva considerando sua
correlac¸˜ao espacial, e (iv) combinar a informac¸˜ao de vaz ˜oes medidas em diferentes pontos de uma
bacia ou de várias bacias num único modelo.
4
1.4
Organizaç˜ao da Tese
Esta tese está dividida em mais cinco cap´ıtulos. No cap´ıtulo 2 apresentamos os resultados de
um exerc´ıcio no qual foram explorados alguns modelos básicos de func¸˜ao de transferência, uti-
lizando métodos de amostragem implementados no software WinBUGS (Spiegelhalter et al., 2003).
No cap´ıtulo 3 apresentamos, em detalhe, o esquema de amostragem, via MCMC, proposto para a
classe de modelos dinâmicos generalizados. Nos cap´ıtulos 4 e 5 apresentamos os resultados da modelagem proposta nesta tese para a relac¸˜ao chuva-vaz˜ao, aplicada a dados da bacia do Rio Grande
(BA). No último cap´ıtulo apresentamos as conclus ˜oes e apontamos as poss´ıveis extens ˜oes desta
tese. Do segundo ao quinto, cada cap´ıtulo corresponde a um artigo preparado com resultados
obtidos ao longo do doutorado. Alguns termos estat´ısticos e algumas das distribuic¸ ˜oes condi-
cionais completas dos parâmetros envolvidos nos modelos estudados, necessárias para o proce-
dimento de inferência via o método MCMC denominado amostrador de Gibbs, s˜ao apresentados
como apêndices ao final deste documento.
5
Cap´ıtulo 2
INFER ÊNCIA BAYESIANA EM MODELOS DE DEFASAGENS DISTRIBUÍDAS
O objetivo deste cap´ıtulo é mostrar a flexibilidade e a facilidade com que é poss´ıvel implemen-
tar o paradigma bayesiano nos modelos de defasagens distribu´ıdas quando considerados dentro
da classe dos modelos dinâmicos. Os modelos de defasagens distribu´ıdas s˜ao utilizados quando se
acredita que, no tempo t, uma covariável, por exemplo Xt, causa um impacto sobre o valor médio
de uma variável resposta, por exemplo, Yt. Especificamente, quando se sabe que o efeito de X
sobre Y persiste por um per´ıodo e decai para zero ao longo do tempo. Na literatura existem vários
modelos para lidar com este tipo de situac¸˜ao. Neste cap´ıtulo revisamos algumas dessas propostas
e mostramos que sob uma re-parametrizac¸˜ao relativamente simples, os modelos de defasagens
distribu´ıdas podem ser vistos como um caso particular dos modelos lineares dinâmicos (DLM),
em particular, os modelos de func¸˜ao de transferência. Sendo assim, utilizamos inferência baye-
siana e utilizamos o método Monte Carlo via cadeias de Markov (MCMC) para obter amostras das
distribuic¸ ˜oes a posteriori de todos os parâmetros. A implementac¸˜ao desses métodos foi realizada
no software WinBugs (Spiegelhalter et al., 2003).
Para ilustrar a abordagem proposta, analisamos uma func¸˜ao consumo usando a transformac¸˜ao
de Koyck e um modelo de func¸˜ao de transferência. Comparamos os resultados com os obtidos
mediante técnicas clássicas de co-integrac¸˜ao.
2.1
Introduç˜ao
As func¸ ˜oes de transferência s˜ao freq üentemente utilizadas na área de econometria para que os
coeficientes do modelo representem o comportamento de uma variável resposta Y sob o impacto
de uma covariável X. Estas func¸ ˜oes s˜ao necessárias quando a variável dependente responde a
mudanc¸as numa ou várias variáveis independentes somente depois de um per´ıodo de tempo. Esta
resposta retardada sugere a inclus˜ao no modelo de variáveis explicativas defasadas (distribuindo o
impacto da variável X em vários per´ıodos de tempo), tendo como resultado um modelo dinâmico.
Um dos objetivos deste cap´ıtulo é ajustar modelos de func¸˜ao de transferência usando uma abor-
dagem inteiramente bayesiana mediante o uso de métodos MCMC. Especificamente comparamos
6
diferentes modelos de defasagens distribu´ıdas e mostramos que eles podem ser representados,
depois de alguma re-parametrizac¸˜ao, como uma classe particular dos modelos lineares dinâmicos.
De forma geral, um modelo é dinâmico toda vez que as variáveis est˜ao indexadas pelo tempo e
aparecem com diferentes defasagens. Por exemplo, Yt = β0Xt + β1Xt−1 + t é um modelo dinâmico
simples conhecido como modelo de defasagens distribu´ıdas. Nele a estrutura dinâmica aparece
na variável ex ógena, Xt, porém também pode aparecer na variável end ógena, por exemplo, Yt =
αYt−1 + t, que é o modelo conhecido como auto-regressivo de ordem 1, AR(1). Os modelos
com defasagens tanto nas variáveis ex ógenas como end ógena s˜ao conhecidos como modelos auto-
regressivos com defasagens distribu´ıdas (ARDL). Por outro lado, a estrutura dinâmica pode tam-
bém aparecer no termo de erro ou nos parâmetros do modelo.
Os modelos de defasagens distribu´ıdas têm um papel importante em numerosas aplicac¸ ˜oes na
economia e na agricultura. Alguns dos primeiros exemplos incluem os estudos de Nerlove (1958)
sobre a resposta da oferta agr´ıcola ao prec¸o, o estudo de apropriac¸ ˜oes de capital e despesas de
Almon (1965) e a resposta do investimento de capital a vários aspectos do ambiente econ ômico
(Koyck, 1954; Jorgenson, 1966). Mais recentemente, Frances & van Oest (2004) os utilizaram para estabelecer uma relac¸˜ao entre vendas e publicidade, enquanto Bentzen & Engsted (2001) estu-daram equac¸ ˜oes de demanda de energia. Na verdade os modelos de defasagens distribu´ıdas têm
sido utilizados também nas áreas ambientais e epidemiol ógicas. Alguns exemplos de aplicac¸ ˜oes
nessas áreas s˜ao apresentados em Huang et al. (2004) e Welty & Zeger (2004). Além disso, muitos livros texto de econometria incluem um cap´ıtulo sobre esta classe de modelos, entre eles Berndt
(1991, Cap. 6), Greene (1999, Cap. 17), Gujarati (2000, Cap. 17) e Zellner (1971, Cap. 6).
Ao utilizar os modelos de defasagens distribu´ıdas pode ser necessário assumir que o efeito
dos valores passados diminui conforme a passagem do tempo. Essa forma funcional, denominada
modelo de Koyck devido a Koyck (1954), comemorou o seu 500 aniversário em 2004 e, como men-
cionado por Frances & van Oest (2004), este modelo é um pouco mais complicado do que aparenta
ser. Em primeiro lugar, a transformac¸˜ao de Koyck envolve uma restric¸˜ao paramétrica que deve
ser considerada por raz ˜oes da sua eficiência e, em segundo lugar, a estat´ıstica t para o efeito da