Bootstrap Local para Séries Estacionárias Incompletas na Presença de Observações Atípicas: Uma Aplicação a Problemas na Área da Qualidade do Ar

Página do item simplificado
dc.contributor.advisor1Reisen, Valderio Anselmo
dc.contributor.advisor1IDhttps://orcid.org/0000-0002-8313-7648
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/9401938646002189
dc.contributor.authorSolci, Carlo Correa
dc.contributor.authorIDhttps://orcid.org/0000-0003-3906-4215
dc.contributor.authorLatteshttp://lattes.cnpq.br/1987723887969761
dc.contributor.referee1Franco, Glaura da Conceicao
dc.contributor.referee1IDhttps://orcid.org/
dc.contributor.referee1Latteshttp://lattes.cnpq.br/0913222654204695
dc.contributor.referee2Junior, Neyval Costa Reis
dc.contributor.referee2IDhttps://orcid.org/0000000261594063
dc.contributor.referee2Latteshttp://lattes.cnpq.br/4944106074149720
dc.contributor.referee3Goulart, Elisa Valentim
dc.contributor.referee3IDhttps://orcid.org/0000000200510778
dc.contributor.referee3Latteshttp://lattes.cnpq.br/0014236670973457
dc.contributor.referee4Rodrigues, Paulo Jorge Canas
dc.contributor.referee4IDhttps://orcid.org/0000-0002-1248-9910
dc.contributor.referee4Latteshttp://lattes.cnpq.br/0029960374321970
dc.contributor.referee5Bondon, Pascal
dc.contributor.referee5Latteshttp://lattes.cnpq.br/7800713575564402
dc.date.accessioned2024-05-30T01:41:06Z
dc.date.available2024-05-30T01:41:06Z
dc.date.issued2022-09-23
dc.description.abstractStudies about air pollution typically involve measurements and analysis of pollutants, such as PM10 (particulate matter with diameter lower than 10 µm), SO2 (sulfur dioxide) and others. These data typically have important features like serial correlation, seasonality, missing observations and the presence of peaks that despite not being atypical observations (outliers) because of their high frequency of occurrence, can be modeled as such owing to the effect that they have on the series. All these features demand special attention during data analysis and complicate the obtainment of confidence intervals for the parameters of stationary time series models through asymptotic theory. With this motivation, this study proposed bootstrap methodologies in the frequency domain for weakly stationary time series in the presence of missing observations and/or of contamination by additive outliers. The suggested methodologies are based on the local bootstrap of Paparoditis & Politis (1999), with the robustness being achieved by the substitution of the classical periodogram with the M-periodogram of Reisen, L´evy-Leduc & Taqqu (2017) and when there is presence of missing observations the original time series is replaced by its amplitude modulated version proposed by Parzen (1963). In this context, the efficiency of the proposed bootstrap methodologies in estimating confidence intervals of parameters of models for weakly stationary time series was verified through Monte Carlo studies under different scenarios, including: additive outliers contamination and presence of missing observations. For comparison purposes, in some cases it was also considered the bootstrap methodology of Paparoditis & Politis (1999), as well as the parameter estimates without the bootstrap via the classical and robust versions of the methodologies of Whittle (1953) and of Dunsmuir & Robinson (1981). The practical purpose in air pollution is to evaluate if the confidence intervals of the parameters obtained by the robust methodologies present a reduction in the effect of left shift that the classical intervals have due to the memory loss caused by the additive outliers, in addition to the possibility of calculating these intervals without using imputation techniques to obtain a complete time series. The proposed bootstrap methodologies were applied to calculate confidence intervals of parameters of adjustment of the autoregressive (AR) model, and in some cases also of the seasonal autoregressive (SAR) model, to MP10 data of stations of the air quality monitoring network of the Greater Vitória Region - ES.
dc.description.resumoOs estudos de poluição atmosférica geralmente envolvem medições e análises de dados de concentrações de poluentes, como é o caso do MP10 (material particulado de diâmetro inferior a 10 µm), do SO2 (dióxido de enxofre) e de outros poluentes. Esses dados normalmente possuem caracterısticas estatısticas importantes como autocorrelação, sazonalidade, observações faltantes e a presença de picos na série que apesar de não serem observações atıpicas (outliers) pela alta frequência com a qual ocorrem, podem ser modelados como tais pelo efeito que tem na série. Todas essas características exigem atenção especial durante a análise dos dados e dificultam a obtenção de intervalos de confiança para os parâmetros de modelos de séries temporais estacionárias por meio de teoria assintótica. Com essa motivação, este estudo propõe metodologias de bootstrap no domínio da frequência para séries temporais fracamente estacionárias na presença de observações faltantes e/ou de contaminação por observações atípicas aditivas. As metodologias sugeridas são baseadas no bootstrap local de Paparoditis & Politis (1999), com a robustez sendo atingida por meio de substituição do periodograma clássico pelo M-periodograma de Reisen, Levy-Leduc & Taqqu (2017) e quando há presença de observações faltantes se substitui a série temporal original pela sua versão de amplitude modulada proposta por Parzen (1963). Nesse contexto, a eficiência das metodologias de bootstrap propostas em estimar intervalos de confiança de parâmetros de modelos para séries temporais fracamente estacionárias foi verificada por meio de estudos de Monte Carlo em diferentes cenários, incluindo: contaminação por observações atıpicas aditivas e presença de observações faltantes. Para efeito de comparação, em alguns casos também foi considerada a metodologia de bootstrap de Paparoditis & Politis (1999), bem como as estimativas dos parâmetros sem o bootstrap pelas versões clássica e robusta das metodologias de Whittle (1953) e de Dunsmuir & Robinson (1981). O interesse prático em poluição do ar é avaliar se os intervalos de confiança dos parâmetros obtidos pelas metodologias robustas apresentam uma redução do efeito de deslocamento para a esquerda que os intervalos clássicos possuem devido a perda de memória causada pelas observações atıpicas aditivas, além da possibilidade de calcular esses intervalos sem a utilização de técnicas de imputação para obter uma série temporal completa. As metodologias de bootstrap propostas foram aplicadas para calcular intervalos de confiança de parâmetros de ajuste do modelo autorregressivo (AR), e em alguns casos também do modelo sazonal auto regressivo (SAR), a dados de MP10 de estações da rede de monitoramento da qualidade do ar da Região da Grande Vitória - ES.
dc.description.sponsorshipFundação de Amparo à Pesquisa do Espírito Santo (FAPES)
dc.formatText
dc.identifier.urihttp://repositorio.ufes.br/handle/10/16538
dc.languagepor
dc.publisherUniversidade Federal do Espírito Santo
dc.publisher.countryBR
dc.publisher.courseDoutorado em Engenharia Ambiental
dc.publisher.departmentCentro Tecnológico
dc.publisher.initialsUFES
dc.publisher.programPrograma de Pós-Graduação em Engenharia Ambiental
dc.rightsEmbargoed access
dc.subjectPoluição do Ar
dc.subjectAnálise de Séries Temporais
dc.subjectAnálise Espectral
dc.subjectBootstrap
dc.subjectPeriodograma
dc.subjectObservações Faltantes
dc.subjectModulação de Amplitude
dc.subjectObservações Atípicas
dc.subjectRobustez
dc.subjectMP10
dc.subject.br-rjbnsubject.br-rjbn
dc.subject.cnpqEngenharia Sanitária
dc.titleBootstrap Local para Séries Estacionárias Incompletas na Presença de Observações Atípicas: Uma Aplicação a Problemas na Área da Qualidade do Ar
dc.title.alternativetitle.alternative
dc.typedoctoralThesis
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
EMBARGADO-RESTRITO.pdf
Tamanho:
268.92 KB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Coleções
Doutorado em Engenharia Ambiental