There has been considerable advances in understanding the properties of the LASSO procedure in sparse high-dimensional models. Most of the work is, however, limited to the independent and identically distributed setting whereas most time series extensions consider independent and/or Gaussian innovations. Kock and Callot (2016, Journal of Econometrics) derived equation-wise oracle inequalities for Gaussian vector autoregressive models. We extend their work to a broader set of innovation processes, by assuming that the error process is non-Gaussian and conditionally heteroskedastic. It is of particular interest for financial risk modeling and covers several multivariate-GARCH specifications, such as the BEKK model, and other factor stochastic volatility specifications. We apply this method to model and forecast large panels of daily realized volatilities.

Com o avanço do uso do computador nas últimas décadas, testes aplicados por computador tem gradualmente substituído os testes tradicionais com papel e caneta para estimar a habilidade de um indivíduo. Uma tarefa central em testes adaptativos informatizados (TAI) é selecionar um novo item para a distribuição posteriori atualizada da habilidade. Na abordagem Bayesiana, o objetivo é selecionar o item mais adequado minimizando a variância a posteriori. Entretanto, calcular a variância a posteriori é uma tarefa com alta demanda computacional. A solução presente na literatura é minimizar a variância a posteriori apenas
para os primeiros itens do TAI. Após alguns itens, quando o cálculo da variância a posteriori começa a ficar lento, usamos um critério mais rápido e menos preciso. Neste trabalho, propomos uma nova abordagem que consiste de duas etapas: primeiro, cria-se um conjunto de itens usando um critério mais rápido contudo menos preciso e, então, usando escolhemos o item que minimiza a variância dentro deste conjunto. Nós elucidamos esta abordagem para o modelo logístico unidimensional da Teoria de Resposta ao Item dentro
de uma abordagem Bayesiana comparando a performance com os critérios Bayesianos mais usados na prática via estudo de simulação, em que observamos que a nova abordagem tem menor erro quadrático e vício. Além disso, a nova abordagem é a mais rápida entre todos os critérios Bayesianos analisados.

No tratamento de câncer, o termo hipertermia é frequentemente utilizado quando calor é aplicado para tornar os tumores mais vulneráveis a outros tipos de terapia, tais como radioterapia e quimioterapia. Simulações computacionais dos fenômenos de hipertermia devem ser realizadas sob os efeitos de incertezas nos dados de entrada do problema, como geometria e propriedades físicas. Ao mesmo tempo, avanços tecnológicos recentes permitem medições da temperatura interna de tecidos, as quais também contêm incertezas. As informações fornecidas pelo modelo matemático e pelas medições podem então ser conectadas, para melhor previsão das variáveis dependentes, através da solução de problemas de estimativa de estado dentro de uma abordagem Bayesiana. Neste seminário serão apresentados resultados de problemas inversos ligados à medição da temperatura de tecidos, tanto pelo Método de Monte Carlo com Cadeias de Markov (MCMC), quanto por Filtro de Kalman, bem como a estimativa do campo de temperatura e termos fonte de calor no tratamento de câncer por hipertermia, utilizando Filtros de Partículas. São também apresentados resultados com Filtros de Partículas e Técnicas de Computação Bayesiana Aproximada (ABC) para o crescimento de células tumorais e para a transmissão iônica em neurônios.

Given n independent, identically distributed copies of a random vector, one is interested in estimating the expected value. Perhaps surprisingly, there are still open questions concerning this very basic problem in statistics. In this talk we are primarily interested in non-asymptotic sub-Gaussian estimates. We introduce the “median-of-means tournament” and show its optimal behavior. We apply the estimates for statistical learning and regression function estimation problems. This talk is based on joint work with Shahar Mendelson.

Vivemos numa era em que a disponibilidade e acesso a dados não tem precedentes. Apesar disso, lacunas substanciais persistem. Além disso, nem todos os dados disponíveis têm a qualidade necessária para seu uso seguro em muitas aplicações.

Metodologia estatística fornece a orientação essencial necessária para obter dados atuais, relevantes, precisos e custo-efetivos. Ela também guia a arte e a ciência de extração de conhecimento dos dados para apoiar a tomada de decisões.

Vou rever as muitas maneiras em que os métodos estatísticos são usados para obter, combinar, processar, analisar, disseminar e arquivar dados no campo das estatísticas públicas e oficiais. Vou também discutir como os métodos estatísticos são usados para medir qualidade e para alcançar níveis especificados de precisão ao estimar quantidades de interesse.

Nesta palestra pretendo apresentar a metodologia estatística aplicado a área de medicina e como fazer a integração entre médicos e estatísticos. Tentarei desmistificar o uso inadequado, automatizado e indiscriminado de métodos estatísticos na pesquisa médica. Dar uma visão geral introdutória de métodos estatísticos modernos, como “Machine Learning”, que contribuem para o conhecimento médico.

A Estrutura a Termo desempenha um papel relevante no cenário econômico e a forma da curva de taxa de juros traz uma ideia da atividade econômica atual, além de fornecer informação relevante para prever possíveis mudanças nas taxas futuras. Neste trabalho apresentam-se formas de se estender o modelo básico de Nelson e Siegel (NS), com o objetivo de aprimorar seu ajuste e previsão, analisando os principais fatos estilizados presentes nas taxas de juros de títulos e identifica-se a ligação entre a estrutura a termo e a conjuntura macroeconômica corrente. O processo de inferência da classe de modelos trabalhada é realizado sobre o paradigma Bayesiano. Um algoritmo baseado em simulações de Monte Carlo via Cadeias de Markov (MCMC) é proposto.

In this talk I will present a fully Bayesian model for actuarial claims reserving consistent with the guidelines provided by the Swiss Solvency Test, the Swiss regulatory directive. This model is, then, used to compute the company’s overall actuarial reserve, which, in a second stage, must be allocated to its individual lines of business. To compute the quantities involved in the process of allocation of capital to sub-units I will present a recently developed algorithm based on (pseudo-marginal) Sequential Monte Carlo methods. Joint work with Gareth W. Peters (UCL), Pavel Shevchenko (Macquarie) and Mario Wuthrich (ETH).