Estimation and model selection for graphical models under mixing conditions

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Severino, Magno Tairone de Freitas
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Estimação de estruturas de grafo
Estimador regularizado
Mixing processes
Model selection
Processos de mistura
Regularized estimator
Seleção de modelos
Sructure estimation
Link de acesso: https://www.teses.usp.br/teses/disponiveis/45/45133/tde-25042024-181144/
Resumo: This thesis introduces a novel approach for estimating the graph of conditional dependencies in a random vector based on finite sample data. We define this approach as a global model selection criterion, which means optimizing a function across the entire set of potential graphs, removing the need to estimate and combine individual neighborhoods as commonly proposed in the literature. Our results establishes the strong convergence of this graph estimator, provided that the multivariate stochastic process satisfies a mixing condition. To the best of our knowledge, these results represent a pioneering demonstration of the consistency of a model selection criterion for Markov random fields on graphs when dealing with non-independent data. Additionally, we propose efficient algorithms for graph estimation and complement our theoretical results with simulation studies. To illustrate the practical applicability of our approach, we present two real-world examples: a study of the dependence structure among water flow measurements gauges located in the course of the S\\~ao Francisco River in Brazil; and a daily stock market index performance analysis in order to identify the conditional dependence among the stock markets around the world.
id USP_84cc19fd95120b7e469a7bd6183c0ac7
oai_identifier_str oai:teses.usp.br:tde-25042024-181144
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str
spelling Estimation and model selection for graphical models under mixing conditionsEstimação e seleção de modelos para modelos gráficos sob condições de mixingEstimação de estruturas de grafoEstimador regularizadoMixing processesModel selectionProcessos de misturaRegularized estimatorSeleção de modelosSructure estimationThis thesis introduces a novel approach for estimating the graph of conditional dependencies in a random vector based on finite sample data. We define this approach as a global model selection criterion, which means optimizing a function across the entire set of potential graphs, removing the need to estimate and combine individual neighborhoods as commonly proposed in the literature. Our results establishes the strong convergence of this graph estimator, provided that the multivariate stochastic process satisfies a mixing condition. To the best of our knowledge, these results represent a pioneering demonstration of the consistency of a model selection criterion for Markov random fields on graphs when dealing with non-independent data. Additionally, we propose efficient algorithms for graph estimation and complement our theoretical results with simulation studies. To illustrate the practical applicability of our approach, we present two real-world examples: a study of the dependence structure among water flow measurements gauges located in the course of the S\\~ao Francisco River in Brazil; and a daily stock market index performance analysis in order to identify the conditional dependence among the stock markets around the world.Esta tese apresenta uma nova abordagem para estimar o grafo de dependências condicionais em um vetor aleatório com base em dados de amostras finitas. Definimos essa abordagem como um critério global de seleção de modelos, o que significa otimizar uma função em todo o conjunto de possíveis grafos, eliminando a necessidade de estimar e combinar vizinhanças individuais como é comumente proposto na literatura. Nossos resultados estabelecem a convergência deste estimador, desde que o processo estocástico multivariado satisfaça uma condição de mistura. Até onde sabemos, esses resultados representam uma demonstração pioneira da consistência de um critério de seleção de modelos para campos aleatórios de Markov em grafos ao lidar com dados não independentes. Além disso, propomos algoritmos eficientes para a estimativa do grafo e complementamos nossos resultados teóricos com um estudo de simulação. Para ilustrar a aplicabilidade prática de nossa abordagem, apresentamos dois exemplos do mundo real: estudo da estrutura de dependência entre as medições de fluxo de água nos medidores localizados no curso do rio São Francisco, no Brasil; e análise do desempenho diário de índices de mercado de ações, com o objetivo de identificar a dependência condicional entre os diferentes mercados de ações ao redor do mundo.Biblioteca Digitais de Teses e Dissertações da USPLeonardi, Florencia GracielaSeverino, Magno Tairone de Freitas2024-04-05info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/45/45133/tde-25042024-181144/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesseng2024-08-01T19:41:02Zoai:teses.usp.br:tde-25042024-181144Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212024-08-01T19:41:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Estimation and model selection for graphical models under mixing conditions
Estimação e seleção de modelos para modelos gráficos sob condições de mixing
title Estimation and model selection for graphical models under mixing conditions
spellingShingle Estimation and model selection for graphical models under mixing conditions
Severino, Magno Tairone de Freitas
Estimação de estruturas de grafo
Estimador regularizado
Mixing processes
Model selection
Processos de mistura
Regularized estimator
Seleção de modelos
Sructure estimation
title_short Estimation and model selection for graphical models under mixing conditions
title_full Estimation and model selection for graphical models under mixing conditions
title_fullStr Estimation and model selection for graphical models under mixing conditions
title_full_unstemmed Estimation and model selection for graphical models under mixing conditions
title_sort Estimation and model selection for graphical models under mixing conditions
author Severino, Magno Tairone de Freitas
author_facet Severino, Magno Tairone de Freitas
author_role author
dc.contributor.none.fl_str_mv Leonardi, Florencia Graciela
dc.contributor.author.fl_str_mv Severino, Magno Tairone de Freitas
dc.subject.por.fl_str_mv Estimação de estruturas de grafo
Estimador regularizado
Mixing processes
Model selection
Processos de mistura
Regularized estimator
Seleção de modelos
Sructure estimation
topic Estimação de estruturas de grafo
Estimador regularizado
Mixing processes
Model selection
Processos de mistura
Regularized estimator
Seleção de modelos
Sructure estimation
description This thesis introduces a novel approach for estimating the graph of conditional dependencies in a random vector based on finite sample data. We define this approach as a global model selection criterion, which means optimizing a function across the entire set of potential graphs, removing the need to estimate and combine individual neighborhoods as commonly proposed in the literature. Our results establishes the strong convergence of this graph estimator, provided that the multivariate stochastic process satisfies a mixing condition. To the best of our knowledge, these results represent a pioneering demonstration of the consistency of a model selection criterion for Markov random fields on graphs when dealing with non-independent data. Additionally, we propose efficient algorithms for graph estimation and complement our theoretical results with simulation studies. To illustrate the practical applicability of our approach, we present two real-world examples: a study of the dependence structure among water flow measurements gauges located in the course of the S\\~ao Francisco River in Brazil; and a daily stock market index performance analysis in order to identify the conditional dependence among the stock markets around the world.
publishDate 2024
dc.date.none.fl_str_mv 2024-04-05
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://www.teses.usp.br/teses/disponiveis/45/45133/tde-25042024-181144/
url https://www.teses.usp.br/teses/disponiveis/45/45133/tde-25042024-181144/
dc.language.iso.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Liberar o conteúdo para acesso público.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Liberar o conteúdo para acesso público.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1865491172883955712

Registros relacionados