Técnicas multivariadas de redução de dados: comparação, aplicabilidade e convergência de resultados

Abstract

É muito comum a análise de dados recorrendo a técnicas multivariadas, nomeadamente para séries temporais. As principais metodologias consagradas, descritas ao longo desta dissertação, são a Análise em Componentes Principais (ACP), a Análise em Componentes Independentes (ACI), a Análise Espectral Singular (SSA) e a Análise Espectral Singular Multicanal (MSSA). A ACI tem sido considerada mais adequada que a ACP na análise de séries temporais, principalmente quando se admite a não normalidade e se exige que as componentes a estimar sejam independentes. Neste sentido, como alternativa à MSSA, é proposta uma nova abordagem baseada na ACI aplicada à matriz dos desfasamentos, que é designada Lag-Análise em Componentes Independentes (LagACI). Tal abordagem é desenvolvida e suportada teoricamente pelos conceitos algébricos e algoritmos existentes das duas técnicas envolventes. São dados exemplos de aplicação, com especial relevância para dados climáticos. O principal objetivo da tese é interligar o novo método com os restantes métodos estatísticos multivariados referidos, para permitir avaliar as semelhanças e diferenças entre estes. Analisam-se diferentes abordagens em cada método e estudam-se as implicações da escolha da matriz informativa das estruturas subjacentes aos dados, tendo em conta se estes estão ou não sujeitos a algum tipo de pré-processamento, como por exemplo a centragem. São ainda considerados alguns indicadores comparativos de avaliação do desempenho de modelos para averiguar o grau de semelhança nos resultados transversais às técnicas em estudo. Considera-se que a nova abordagem representa uma contribuição para novos desenvolvimentos teóricos e aplicações no campo da análise de séries temporais.