GAS MODELS APPLIED TO TIME SERIES OF STREAMFLOW AND WIND

• Main Author: GILSON GONCALVES DE MATOS
• Other Authors: CRISTIANO AUGUSTO COELHO FERNANDES
• Language: Portuguese
• Published: PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO 2013
• Online Access: http://www.maxwell.vrac.puc-rio.br/Busca_etds.php?strSecao=resultado&nrSeq=22121@1; http://www.maxwell.vrac.puc-rio.br/Busca_etds.php?strSecao=resultado&nrSeq=22121@2

PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO === COORDENAÇÃO DE APERFEIÇOAMENTO DO PESSOAL DE ENSINO SUPERIOR === Os modelos GAS (generalized autoregressive score) são modelos de séries temporais com parâmetros variantes no tempo, os quais possuem sua evolução ditada pelo vetor score ponderado da função de verossimilhança. A avaliação da verossimilhança nestes modelos é bastante simples, bem como incorporação de efeitos como assimetria, memória longa e outras dinâmicas. Por serem baseados no score da verossimilhança, exporta-se a estrutura completa da distribuição preditiva para o mecanismo de atualização dos parâmetros, e não apenas a média ou momentos de ordem superior. Estas características, somadas á capacidade de lidar com processos multivariados e não estacionários, tornam a classe em estudo uma nova alternativa para a construção de modelos com parâmetros variantes, particularmente para séries temporais não gaussianas. Nesta dissertação, foram desenvolvidos modelos GAS univariados para a análise das séries mensais de vazão do Rio Paraibuna (MG) e de fator de capacidade de uma usina é olica não divulgada do Nordeste, utilizando as distribuições gama e beta, respectivamente. Além disso, foi derivado um novo modelo GAS bivariado com marginais gama e beta para a modelagem conjunta dos processos de vazão e vento, de modo a explorar a complementaridade sazonal entre as séries. === The GAS models (generalized autoregressive score) are time series models with time-varying parameters, which have their update mechanism drived by the scaled score of the likelihood function. The likelihood evaluation in these models is quite simple, as well as the incorporation of effects like asymmetry, long memory and other dynamics. Because they are based in the scaled score of the likelihood, it exploits the full structure of the predictive distribution to the update mechanism of the parameters, and not just mean or higher order moments. These characteristics, coupled with the ability to handle with multivariate and non-stationary processes, make the studied class a new alternative to the construction of models with time-varying parameters, particularly for non-Gaussian time series. In this dissertation, univariate GAS models were developed to analyze monthly series of streamflow of Paraibuna river (MG) and of capacity factor of a wind farm undisclosed in Northeast, using the gamma and beta distributions, respectively. In addition, a new bivariate GAS model with gamma and beta marginals was derived for the joint modeling of the streamflow and wind processes, in order to explore the seasonal complementarity between the series.