@PHDTHESIS{ 2014:190911016,
 	title = {Abordagem clássica e bayesiana em modelos autoregressivos para valores inteiros : estudo de caso em número de dias com precipitação em Garanhuns},
 	year = {2014},
 	url = "http://www.tede2.ufrpe.br:8080/tede2/handle/tede2/4868",
 	abstract = "Muitos aspectos do ciclo meteorol ógico poderiam ser descrito por dados de s éries temporais. Os meteorologistas costumam usar dados de s éries temporais para avaliar as condições clim áticas e previsões. Esse modelos em geral são modelos contínuos. O interesse foi analisar dados meteorol ógicos discretos com o modelo INAR(1), atrav és de abordagem cl ássica e bayesiana na estima ção dos parâmetros. A proposta  é analisar os dados da s érie utilizando modelos mistos com abordagem bayesiana. Sendo assim, neste trabalho  é descrito uma sequência de procedimentos para estimar parâmetros de modelos autoregressivos de ordem p = 1, para valores inteiros INAR(1), por meio de inferência cl ássica via estimador de m áxima verossimilhan ça e inferência bayesiana via simula ção de Monte Carlo em Cadeias de Markov (MCMC). Duas alternativas são consideradas para a densidade a priori dos parâmetros do modelo. Para o primeiro caso, adota-se uma densidade a priori não informativa. Para o segundo, adota-se uma densidade conjugada beta-gama. A an álise a posteriori  é efetuada por meio de algoritmos de simula ção MCMC. Avalia-se tamb ém a previsão de novos valores da s érie n úmero de dias com precipita ção. O per  íodo de an álise compreendeu 30=11=1993  a 29=02=2012 e obteve previsões do per  íodo de 31=03=2012  a 28=02=2013. Foram utilizados um modelo INAR(1) de estima ção cl ássica dos parâmetros e quatro modelos INAR(1) de estima ção bayesiana para os parâmetros. A escolha do modelo mais adequado foi utilizado o crit ério de informa ção de Akaike (AIC). A an álise dos erros de previsão foi um instrumento utilizado para verifi car qual modelo se adequou melhor aos dados. Conclui-se que o uso de simula ção MCMC torna o processo de inferência bayesiana mais flex  ível, podendo ser estendido para problemas de dimensão maior. Os modelos mistos apresentaram melhores desempenho do que o modelo cl ássico, dentre os mistos o que teve resultados mais robustos foi o Modelo INAR(1) Poisson Normal utilizando a priori Beta. Logo propomos o uso da opera ção thinning em modelos mistos.",
 	publisher = {Universidade Federal Rural de Pernambuco},
 	scholl = {Programa de Pós-Graduação em Biometria e Estatística Aplicada},
 	note = {Departamento de Estatística e Informática}
}