Escolar Documentos
Profissional Documentos
Cultura Documentos
Análise de Séries Temporais
Análise de Séries Temporais
Instituto de Matematica
Departamento de Metodos Estatsticos
An
alise de S
eries Temporais
Prof. Helio Migon
Sum
ario
1 Introduc
ao
1.1 Nocoes Basicas . . . . . . . .
1.2 Fundamentos Probabilsticos
1.3 Processos Estacionarios . . .
1.4 Modelos de series temporais .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
3
4
9
14
27
2 Modelos de Regress
ao
35
2.1 Revisao de Modelos Lineares . . . . . . . . . . . . . . 38
2.2 Previsao . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.3 Modelos Sazonais . . . . . . . . . . . . . . . . . . . . 47
3 Capitulo
52
4 Modelos ARIMA
53
4.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . 55
4.2 Modelo de Filtro Linear . . . . . . . . . . . . . . . . . 56
4.3 Estacionariedade e Invertibilidade . . . . . . . . . . . . 59
First Prev Next Last Go Back Full Screen Close Quit
1.
Introduc
ao
1.1.
No
c
oes B
asicas
S
erie temporal: conjunto de observacoes ordenadas (no tempo).
Tempo pode ser: espaco, profundidade, ...
Observacoes vizinhas sao dependentes.
Estudos de series temporais: modelagens, analise dessa dependencia,
tecnicas especficas a series temporais.
Exemplos de aplicacoes:
Economia: precos diarios de acoes; taxa de desemprego.
Medicina: nveis de eletrocardiograma ou eletroencefalograma.
Epidemiologia: casos semanais de sarampo; casos mensais de AIDS.
Metereologia: temperatura diaria; registro de mares, . . .
Classifica
c
ao:
Serie temporal e o conjunto de observacoes {Y (t), t T }, Y : variavel
de interesse, T : conjunto de ndices
Tipos de s
eries temporais
1. Discreta: T = {t1, t2, . . . , tn}
Ex:
Exportacoes
mensais
de
{01/1970, 02/1970, . . . , 11/1980, 12/1980} .
Notacao: Yt
1970
1980
Objetivos de uma an
alise de s
eries temporais
Os principais objetivos sao:
i) Compreender o mecanismo gerador da serie;
ii) Predizer o comportamento futuro da serie.
Compreender o mecanismo da serie possibilita:
Descrever efetivamente o comportamento da serie;
Encontrar periodicidades na serie;
Tentar obter razoes para o comportamento da serie (possivelmente
atraves de variaveis auxiliares);
Controlar a trajetoria da serie.
1.2.
Fundamentos Probabilsticos
Defini
c
ao: Seja T um conjunto arbitrario. Um processo estocastico
e uma famlia {Y (t), t T } tal que, t T , Y (t) e uma variavel
aleatoria.
Serie temporal e um processo estocastico. O conjunto de valores
{Y (t), t T } e chamado de espaco de estados e os valores Y(t) sao
chamados de estados.
Essa definicao nao e muito util na pratica pois e muito difcil a especificacao de todas as distribuicoes finito-dimensionais Normalmente, o
que se faz e concentrar nos primeiros momentos. Estes sao:
i) Funcao media: (t) = E{Y (t)}
ii) Funcao auto-covariancia (facv):
(t1, t2) = E[Y (t1) (t1)][Y (t2) (t2)]
= E{Y (t1)Y (t2)} (t1)(t2)
Em particular se t1 = t2 = t,
(t, t) = V {Y (t)} e a variancia de Y (t) denotada por V (t) ou
2(t).
1.3.
Processos Estacion
arios
e, portanto,
= (t)
e
2 = 2(t)
sao constantes.
Alem disso,
F (y1, y2; t1 + , t2 + ) = F (y1, y2; t1, t2)
Logo,
(t1, t2) = (t1 + , t2 + )
(t1, t2) =
(t1, t2)
(t2 t1) (t)
=
=
= (t)
(t1)(t2)
2(t1)
(0)
1X
ck =
(Yi Y )(Yi+k Y )
n t=1
onde
Pn
Y = n1 t=1 Yi e
k = 0, 1, . . . , n 1
ck e a facv amostral.
k pode entao ser estimado por rk =
amostral.
ck
,
c0
funcao de autocorrelacao
(1)
Se
= 1, g e a identidade,
= 1, g e a transformacao inversa,
= 1/2, g transforma y em y,
e lim0 g(y) = log(y)
Essas transformacoes sao usadas principalmente para estudar a
variancia.
First Prev Next Last Go Back Full Screen Close Quit
Operac
ao Diferenca (): Define-se o operador diferenca
atraves de:
yt = yt yt1
(2)
Aplicando-se o operador novamente obtem-se a 2a diferenca:
2 y t =
=
=
=
(yt)
(yt yt1)
(yt yt1) (yt1 yt2)
yt 2yt1 + yt2
(3)
Crit
erios de Previs
ao
O melhor criterio para escolher um modelo de previsao e a sua capacidade preditiva, ou seja, quao perto estao as previsoes dos valores
posteriormente observados.
Suponha que observamos uma serie ate o instante t e queremos prever
o valor da serie no instante t + h.
Denotaremos por Yt(h) a previsao de Yt+h no instante t.
Ex: Yt1(1) e a previsao de Yt no instante t 1
t e a origem da previsao
h e o horizonte da previsao
Observe que Yt(h) e uma v.a. conhecida apenas dada a historia observada do processo ate o tempo t. Associado a Yt(h) temos o erro de
previsao Yt+h Yt(h)
First Prev Next Last Go Back Full Screen Close Quit
1.4.
Modelos de s
eries temporais
Assim temos:
(a) Modelos de regress
ao (CAP.2)
Rudos sao nao-correlacionados
St = x t
Exemplos :
1. Modelo de tendencia linear
St = + t
2. Modelo de curva de crescimento
Yt = et+t ,
ou seja
log Yt = log + t + t
(a)Localmenteconstante.
(b)Localmentelinear.
iti
i=1
i=1 (
)<
(f ) Modelos de equac
oes simult
aneas ou econom
etricos
YtT + XtB = t
Yt - Variaveis endogenas
Xt - Variaveis exogenas
Se tem posto maximo entao apos observar amostra de tamanho n
Yt = XtT + E
onde:
YT
XT
T
ET
=
=
=
=
(Y1Y2...Yn)
(X1X2...Xn)
B1
(12...n)
Fen
omenos Tpicos de S
eries Temporais
Boa parte das series tem caractersticas tpicas, as principais sao:
i) Tend
encia: e o efeito de longo prazo na media. Especificacao de
longo prazo e difcil.
2.
Modelos de Regress
ao
2.1.
Revis
ao de Modelos Lineares
Variavel dependente: Y
Variaveis explicativas: X1, ..., Xp
Pp
Relacionadas atraves de: Yt = 0 + i=1 ixit + t onde t = 1, . . . , n
Podemos escrever:
St = xTt
xTt = (1, x1t, ..., xpt)
Tt = (0, 1, ..., p)
Os erros t sao nao-correlacionados com: E[t] = 0 e V [t] = 2
Comumente se assume tambem que os t sao normais.
T = (1, ..., n)
onde:
E[] = 0
V [] = 2In
n
X
(yt xTt )2
t=1
Propriedades:
=
i) E[]
= 2(X T X)1.
V []
2
t=1 (Yt Y )
Pn
2
t=1 (Yt Yt )
Pn
Pn
])2
t=1 (Yt Y
SEQ
ST Q
SEQ
v) Se 2 e desconhecido, ele e estimado por S 2 = np1
onde
SEQ
2np1 e portanto E[S 2] = 2 e a variancia de e estimada
2
= S 2(X T X)1
por V []
2.2.
Previs
ao
Suponha que se deseja prever Ys baseado nos valores x1s, . . . , xps. Denotando o preditor por Ybs e o erro de previsao e dado por es = Ys Ybs,
se utilizarmos como criterio a minimizacao do EQM dado por
E[e2s ] = E[Ys Ybs]2
obtemos Ybs = E[Ys] = xTs B onde xTs = (x1s, . . . , xps).
Como B e desconhecido, podemos substitu-lo por seu estimador
fornecendo a previsao
Ybs = xTs B
Propriedades:
i) E[Ybs] = xTs B e V (Ybs) = 2xTs (X T X)1xs
ii) E[Ys Ybs] = 0 e V (Ys Ybs) = 2[1 + xTs (X T X)1xs]
b
b
b
estima-se
Como 2 e desconhecido,
h
i V (Ys Ys) por V (Ys Ys)
dado por S 2 1 + xTs (X T X)1xs
b
iii) Se os erros sao normais entao bYsYs b tnp1(0, 1) O intervalo de
V (Ys Ys )
q
Ybs + t/2,np1
Vb (Ys Ybs)
Correla
c
ao serial entre os erros
Normalmente em regressao, assume-se que os erros t nao sao correlacionados.
Em dados de series temporais e razoavel esperar que isso nao aconteca,
i.e., o erro no tempo t, t, esteja relacionado aos erros contguos, t1 e
t+1.
O nao reconhecimento das correlacao podem levar a ajustes incorretos.
Importante estudar as autocorrelacoes da serie, k .
n | rk |> 1, 96.
Observe que temos de fazer varios testes simultaneos e o nvel para um
teste global e outro.
2.3.
Modelos Sazonais
s
X
ixti
i=1
onde
xti =
s
X
ixti
i=1
St = 0 +
= 0 +
= 0 +
= 0 +
s1
X
i=1
s1
X
i=1
s1
X
i=1
s1
X
ixti + sxts
ixti
s1
X
ixts
i=1
i(xti xts)
ixti
i=1
onde
1, t corresponde ao perodo i
3.
Capitulo
4.
Modelos ARIMA
Classe muito popular de modelos bastante desenvolvida na decada passada. Depende apenas dos dados para a especificacao do modelo.
ARIMA - Auto Regressivo Intregado Moving Average (Medias
Moveis).
O ciclo de inferencia consiste em:
Identificacao Estimacao Verificacao Previsao.
4.1.
Introduc
ao
P
iv) Syt =
ytj = yt + yt1 + ... = (1 + B + B 2 + ...)yt.
j=0
Logo, S = (1 + B + B 2 + ...).
Como (1+B+B 2 +...)(1B) = 1, temos que S = (1B)1 = 1
4.2.
P
j <
E[yt] = se
j=1
V[j atj ] =
j=0
2j
j=0
- 1 = Cov[yt,ytj ] = Cov[
1j+1 2 + ... = 2
k atk ,
k=0
k atkj ] = 0j 2 +
k=0
k k+j .
k=0
j B j )yt = at
j=1
4.3.
Estacionariedade e Invertibilidade
Suponha que j = j
X
j =
j = 1/(1 )