Mini-Cursos ESTE
Divulgados os mini-cursos da Escola de Séries Temporais deste ano. Os dois são excelentes, com conferencistas estão entre principais expoentes de cada área. Já vale o congresso.
MC1: " Wavelets in Functional Data Analysis."
Aluísio Pinheiro
Departamento de Estatística
Instituto de Matemática, Estatística e Computação Científica
Universidade Estadual de Campinas
Brani Vidakovic
The Wallace H. Coulter Department of Biomedical Engineering
Georgia Institute of Technology
Course Description
The main purpose of this short course is to present the basic ideas of statistical analysis of functional data. Real data sets from econometric, biomedical, and engineering studies as well as other areas will be amply used as motivation for the aforementioned methodology. We will explain several paradigms to the analysis of functional data and some of their main results. The course will, however, be focused in wavelet-based methods for which theoretical as well as general computational aspects will be discussed. Chapter 1 presents examples of why functional data models are statistically relevant. Kernel, orthogonal basis and differential equation approaches are introduced in a basic level setup. In Chapter 2, the concept of wavelets and their natural representation of smooth functions are discussed. Emphasis is given to the practical relevance of minimax optimality via shrinkage estimation. Chapters 3, 4, and 5 focus to the application and adaptation of general kernel and wavelet-based solutions to functional data, respectively. In particular, a thorough discussion of the present state of the art in functional data analysis via wavelets is given.
MC2: " Modelos de espaço de estados: abordagens clássica e Bayesiana "
Autores
Glaura C. Franco (UFMG), Dani Gamerman (UFRJ) e Thiago R. Santos (UFMG)
Resumo
Os modelos de espaços de estados (MEE) vêm sendo cada vez mais utilizados para modelagem e previsão em séries temporais. Esse avanço se deu notadamente após o lançamento dos livros de Harvey (1989) e West and Harrison (1997), onde a teoria de MEE foi exaustivamente descrita. Este tipo de modelo supõe que os movimentos característicos de uma série temporal , podem ser decompostos em componentes não-observáveis, como por exemplo, tendência, sazonalidade, componente cíclica, componente aleatório ou erro, entre outros. A vantagem deste procedimento é que os componentes têm uma interpretação direta, devido à maneira pela qual o modelo é construído. Os modelos estruturais são geralmente escritos na forma de espaço de estados, para possibilitar o uso do filtro de Kalman como ferramenta básica para a estimação e previsão. Inferências sobre os parâmetros do modelo podem ser feitas tanto utilizando métodos clássicos quanto Bayesianos, e a comparação entre estes procedimentos é o tema principal deste mini curso.
MC1: " Wavelets in Functional Data Analysis."
Aluísio Pinheiro
Departamento de Estatística
Instituto de Matemática, Estatística e Computação Científica
Universidade Estadual de Campinas
Brani Vidakovic
The Wallace H. Coulter Department of Biomedical Engineering
Georgia Institute of Technology
Course Description
The main purpose of this short course is to present the basic ideas of statistical analysis of functional data. Real data sets from econometric, biomedical, and engineering studies as well as other areas will be amply used as motivation for the aforementioned methodology. We will explain several paradigms to the analysis of functional data and some of their main results. The course will, however, be focused in wavelet-based methods for which theoretical as well as general computational aspects will be discussed. Chapter 1 presents examples of why functional data models are statistically relevant. Kernel, orthogonal basis and differential equation approaches are introduced in a basic level setup. In Chapter 2, the concept of wavelets and their natural representation of smooth functions are discussed. Emphasis is given to the practical relevance of minimax optimality via shrinkage estimation. Chapters 3, 4, and 5 focus to the application and adaptation of general kernel and wavelet-based solutions to functional data, respectively. In particular, a thorough discussion of the present state of the art in functional data analysis via wavelets is given.
MC2: " Modelos de espaço de estados: abordagens clássica e Bayesiana "
Autores
Glaura C. Franco (UFMG), Dani Gamerman (UFRJ) e Thiago R. Santos (UFMG)
Resumo
Os modelos de espaços de estados (MEE) vêm sendo cada vez mais utilizados para modelagem e previsão em séries temporais. Esse avanço se deu notadamente após o lançamento dos livros de Harvey (1989) e West and Harrison (1997), onde a teoria de MEE foi exaustivamente descrita. Este tipo de modelo supõe que os movimentos característicos de uma série temporal , podem ser decompostos em componentes não-observáveis, como por exemplo, tendência, sazonalidade, componente cíclica, componente aleatório ou erro, entre outros. A vantagem deste procedimento é que os componentes têm uma interpretação direta, devido à maneira pela qual o modelo é construído. Os modelos estruturais são geralmente escritos na forma de espaço de estados, para possibilitar o uso do filtro de Kalman como ferramenta básica para a estimação e previsão. Inferências sobre os parâmetros do modelo podem ser feitas tanto utilizando métodos clássicos quanto Bayesianos, e a comparação entre estes procedimentos é o tema principal deste mini curso.
posted by Márcio Laurini at 1:49 PM
1 Comments:
Resta rezar agora para que eles não ocorram simultaneamente, ou que um deles ocorra junto com boas conferencias ou seções temáticas.
Postar um comentário
<< Home