Resumo: This talk introduces a ridge penalization scheme to enhance the numerical stability of conditional maximum likelihood estimation of the parameters indexing the
betaARMA model. The proposed approach involves adding a simple penalty term to the conditional log-likelihood function to enhance its curvature. This modification reduces the chance of convergence failures and implausible estimates. We also present a bootstrap-based parameter estimation strategy. It is particularly useful when penalization alone is insufficient to address numerical issues, providing a complementary solution for obtaining more reliable estimates. Our numerical results show the effectiveness of the proposed approaches in addressing numerical instability issues in betaARMA parameter estimation. Empirical applications are presented and discussed. Joint work with Francisco Cribari-Neto and Everton Costa.
Short bio: Graduação em Estatística pela Universidade Federal do Ceará (2014), mestrado em Estatística pela Universidade Federal de Pernambuco (2017) e doutorado em Estatística pela Universidade Estadual de Campinas (2021). Pós-doutorado no Weizmann Institute of Science, em Israel. Atualmente é Professor Adjunto A da Universidade Federal da Bahia. Realiza pesquisas sobre estatística em alta dimensão, métodos não paramétricos e análise de séries temporais.