Escolar Documentos
Profissional Documentos
Cultura Documentos
Econometria - Series Temporais
Econometria - Series Temporais
Introduo s Sries
Temporais
X t~ N (0, 2 )
2.82
i.i.d
2.35
1.88
1.41
0.94
0.47
0
-0.94
A varincia constante
-1.41
Simtrica
0
3
6
9
12
15
18
21
24
27
30
33
36
39
42
45
48
51
54
57
60
63
66
69
72
75
78
81
84
87
90
93
96
99
-0.47
=0
Passeio Aleatrio
X t= + X t 1+ a t
a t ~ N (0, 2 )
i.i.d
=0.2
O valor esperado constante
A varincia no constante
Simtrica
Correlacionados entre instantes diferentes
A mdia no constante
37800000
35700000
33600000
31500000
29400000
27300000
25200000
870000
3600000
580000
3360000
290000
3120000
2880000
-290000
2640000
-580000
2400000
-870000
2160000
-1160000
1920000
-1450000
1680000
-1740000
y1990m01d01
y1980m01d01
y1970m01d01
y1960m01d01
y1950m01d01
y1940m01d01
y1930m01d01
-2030000
y1920m01d01
y1990m01d01
y1980m01d01
y1970m01d01
y1960m01d01
y1950m01d01
y1940m01d01
1440000
y1930m01d01
y1990m01d01
y1980m01d01
y1970m01d01
y1960m01d01
y1950m01d01
y1940m01d01
y1930m01d01
y1920m01d01
y1910m01d01
y1900m01d01
18900000
y1920m01d01
21000000
y1910m01d01
23100000
91
92
93
94
95
96
97
98
99
00
01
02
03
04
1960
1820
1680
1540
1400
1260
1120
980
840
700
560
624
572
520
468
416
364
312
260
208
156
104
y1980m01d01
y1980m07d01
y1981m01d01
y1981m07d01
y1982m01d01
y1982m07d01
y1983m01d01
y1983m07d01
y1984m01d01
y1984m07d01
y1985m01d01
y1985m07d01
y1986m01d01
y1986m07d01
y1987m01d01
y1987m07d01
y1988m01d01
y1988m07d01
y1989m01d01
y1989m07d01
y1990m01d01
y1990m07d01
y1991m01d01
y1991m07d01
y1992m01d01
y1980m01d01
y1980m07d01
y1981m01d01
y1981m07d01
y1982m01d01
y1982m07d01
y1983m01d01
y1983m07d01
y1984m01d01
y1984m07d01
y1985m01d01
y1985m07d01
y1986m01d01
y1986m07d01
y1987m01d01
y1987m07d01
y1988m01d01
y1988m07d01
y1989m01d01
y1989m07d01
y1990m01d01
y1990m07d01
y1991m01d01
y1991m07d01
y1992m01d01
Heteroscedasticidade
Se a varincia no constante pode-se
normalizar transformando apropriadamente
os dados iniciais.
6.46
6.27
6.08
5.89
5.7
5.51
5.32
5.13
4.94
4.75
171
152
133
57
38
19
0
y2004m11d15
y2004m11d22
y2004m11d29
y2004m12d06
y2004m12d13
y2004m12d20
y2004m12d27
y2005m01d03
y2005m01d10
y2005m01d17
y2005m01d24
y2005m01d31
y2005m02d07
y2005m02d14
y2005m02d21
y2005m02d28
y2005m03d07
y2005m03d14
y2005m03d21
y2005m03d28
y2005m04d04
y2005m04d11
y2005m04d18
y2005m04d25
y2005m05d02
y2005m05d09
y2005m05d16
y2005m05d23
y2005m05d30
y2005m06d06
y2005m06d13
y2005m06d20
y2005m06d27
y2005m07d04
y2005m07d11
y2005m07d18
y2005m07d25
y2005m08d01
y2005m08d08
190
y2004m01d02
y2004m01d19
y2004m02d05
y2004m02d22
y2004m03d10
y2004m03d27
y2004m04d13
y2004m04d30
y2004m05d17
y2004m06d03
y2004m06d20
y2004m07d07
y2004m07d24
y2004m08d10
y2004m08d27
y2004m09d13
y2004m09d30
y2004m10d17
y2004m11d03
y2004m11d20
y2004m12d07
y2004m12d24
y2005m01d10
y2005m01d27
y2005m02d13
y2005m03d02
y2005m03d19
y2005m04d05
y2005m04d22
y2005m05d09
y2005m05d26
y2005m06d12
y2005m06d29
y2005m07d16
y2005m08d02
y2005m08d19
y2005m09d05
y2005m09d22
y2005m10d09
y2005m10d26
y2005m11d12
y2005m11d29
y2005m12d16
y2006m01d02
y2006m01d19
y2006m02d05
y2006m02d22
y2006m03d11
y2006m03d28
y2006m04d14
y2006m05d01
y2006m05d18
y2006m06d04
y2006m06d21
y2006m07d08
y2006m07d25
y2006m08d11
y2006m08d28
y2006m09d14
y2006m10d01
y2006m10d18
y2006m11d04
144
128
112
96
80
64
48
32
16
0
114
95
76
Se observa:
Mudanas de nvel.
031
021
011
001
09
08
07
06
05
04
y2004m11d06
y2004m11d20
y2004m12d04
y2004m12d18
y2005m01d01
y2005m01d15
y2005m01d29
y2005m02d12
y2005m02d26
y2005m03d12
y2005m03d26
y2005m04d09
y2004m07d17
y2004m07d31
y2004m08d14
y2004m08d28
y2004m09d11
y2004m09d25
y2004m10d09
y2004m10d23
2003
2002
2001
2000
1999
1998
1997
1996
34.3
29.4
24.5
19.6
14.7
9.8
4.9
0
-4.9
-9.8
1995
1994
39.2
34.3
29.4
24.5
19.6
14.7
9.8
4.9
0
-4.9
-9.8
Processos Estocsticos
Um Processo Estocstico pode ser definido como uma coleo de variveis aleatrias
ordenadas no tempo x t , t T ,onde T um conjunto ordenado de ndices.
Serie Temporal
Observada
zt
Os Zt,, , t=0,1,2,3,.....n, so realizaes de xt
z1, z2 , z3,...zt
39.2
34.3
29.4
24.5
19.6
14.7
9.8
4.9
0
-4.9
-9.8
2003
2002
2001
2000
1999
1998
1997
1996
1995
1994
34.3
29.4
24.5
19.6
14.7
9.8
4.9
0
-4.9
-9.8
2000
1800
1600
1400
1200
1000
800
600
400
200
0
2000
1800
1600
1400
1200
1000
800
600
400
200
0
89-Ene
89-Abr
89-Jul
89-Oct
90-Feb
90-May
90-Ago
90-Dic
91-Mar
91-Jun
91-Sep
92-Ene
92-Abr
92-Jul
92-Nov
93-Feb
93-May
93-Ago
93-Dic
94-Mar
94-Jun
94-Oct
95-Ene
95-Abr
95-Jul
95-Nov
96-Feb
96-May
96-Sep
96-Dic
97-Mar
97-Jun
97-Oct
98-Ene
98-Abr
98-Ago
98-Nov
99-Feb
99-May
99-Sep
99-Dic
00-Mar
00-Jul
00-Oct
01-Ene
01-Abr
01-Ago
01-Nov
02-Feb
02-Jun
02-Sep
02-Dic
03-Mar
03-Jul
03-Oct
04-Ene
04-May
{zt }
t = E[ z t ]
Def.) Funo de varincias do processo proporciona as varincias em cada instante temporal.
t2 = Var[ zt ]
Caracterizando
o processo
estocstico Zt
Def.) Funo de AutoCovarincias: descreve a Covarincias entre duas variveis do processo em dois instantes
quaisquer.
(t , t + j ) = Cov( zt , zt + j ) = E[( zt t )( zt + j t + j )]
Def.) Funo de Autocorrelaon: mede a dependncia lineal entre os valores do processo no instante t e no
instante t+j. Chamaremo coeficiente de correlao de orden (j) a:
(t , t + j ) =
Cov( zt , zt + j )
t t + j
Processos No Estacionrios
Se existe a transformao:
Processos Homogneos de Orden d
04
03
02
01
00
99
98
97
96
95
94
93
92
91
10-Nov
10-Ene
09-Mar
08-May
07-Jul
06-Sep
05-Nov
05-Ene
04-Mar
03-May
02-Jul
01-Sep
00-Nov
00-Ene
0.8
0.64
0.48
0.32
0.16
0
-0.16
-0.32
-0.48
-0.64
E(xt ) =
Var(xt ) = 2
10-Nov
10-Ene
09-Mar
08-May
07-Jul
06-Sep
05-Nov
05-Ene
04-Mar
03-May
02-Jul
01-Sep
00-Nov
00-Ene
0.8
0.64
0.48
0.32
0.16
0
-0.16
-0.32
-0.48
-0.64
zt = at
Processo Homogneo de orden 1. ARIMA(p,0,0)
zt =Homogneo
at
Proceso
de Orden 1. ARIMA(0,1,0)
Processo Autoregressivo de orden (p).ARIMA(p,0,0)
zt = 1 zt + .. + p zt p + at
Processo Mdia Mvel de ordem (q).ARIMA(0,0,q)
zt = at + 1at 1 + .. + q at q
Processo ARIMA(p,0,q)
zt = 1 zt 1 + .. + p zt p + at + 1at 1 + .. + q at q
Caracterizao
Mdia de Amostra
zt
t =1 t
Matriz de Covarincias
t =
1 T
( zt z)( zt k z)
T t = k +1
Autocorrelaes
rk = k o
Caracterizao
zt =
t =1 t
Def.) Estimador das Covarinias de orden k quando a mdia populacional desconhecida. um estimador
enviesado da autocovarincias populacionais mas tm menores erros quadrticos de estimao que o estimador com
mdia conhecida. Garante que a matriz de covarincias seja sempre definida positiva.
Mdia Desconhecida:
k =
Mdia Conhecida
~k =
1 T
( zt z)( zt k z)
T t = k +1
1
0
~
k = 1
M
M
k 1 k 2
L k 1
L k 2
O M
L 0
rk = k o
Onde
a varincia do proceso
1
T
( zt )( zt k )
T k t = k +1
-2
-1
Padro de
regularidade:
Histograma
= { f ( x, ) , , x x }
1001
0901
0801
0701
0601
0501
0401
z1, z2 , z3,...zt
12
11
10
9
8
7
6
5
4
3
2
0301
Srie Temporal:
12
11
10
9
8
7
6
5
4
3
2
0201
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0101
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
150
150
120
120
90
90
60
60
30
30
0
2
10
11
zt = f (t , ) + at
onde f(t,B) uma funo conhecida determinista do tempo que depende de um vetor de parmetros B e at uma
sequncia de variveis aleatrias independentes de mdia zero e varincia constante.
12
Modelo Lineal
zt = f (t , ) + at = o + 1 x1 + 2 x2 + ... + k xk + at
at > RB(0, a )
1.
2.
3.
4.
5.
6.
As variveis x so deterministas.
at RB(0, a )
at = yt y t = yt X t
Parmetros desconhecidos
do meu modelo beta e
sigma
XB
'
SR( ) = atat = yt yt 2 ' X ' y + ' X ' X
'
min SR( ) = min ( yt yt 2 ' X ' y + ' X ' X )
SR ( ) atat
=
= 2 ' X ' y + ' X ' X
SR ( )
= 0 = ( X ' X ) 1 X ' y
2 SR( )
'
=
X
X
'
def +
at=Y-XB
= ( X ' X ) 1 X ' at
Var ( ) = E[( E ( ))( E ( ))] = E[( )( )]
Var ( ) = E[( X ' X ) 1 X ' at a ' t X ( X ' X ) 1 ] = ( X ' X ) 1 X ' E[at a ' t ] X ( X ' X ) 1
Var ( ) = ( X ' X ) 1 X ' ( a2 I T ) X ( X ' X ) 1 = a2 ( X ' X ) 1
N ( , a2 ( X ' X ) 1 )
necessrio um estimador da varincia, se demonstra que:
'
a
t at
2
a =
T k
'
a
t at
2
= a2
E ( a ) = E
T k
Mtodos Tradicionais
Os mtodos atuais de anlises de sries temporais entende-se melhor se connhecemos as limitaes de
outros mtodos mais simples desenvolvidos para solucionar o problema da predio.
Modelo com Tendncia Determinista
zt = + 1t + at
Modelo com Sazonalidade Cclica Determinista
zt = + A.sen( wt ) + B. cos(wt ) + at
j =1
j =1
zt = + A j sen( w j t ) + B j cos( w j t ) + at
zt = f (t , ) + at = o + 1t + at
O modelo d um
grande ajuste !?!
R2
Desv. Est.
0.955771
14283.3717
at = zt zt
A varincia no
constante!
03
02
01
00
99
98
94
93
Erros
MUITO
ALTOS
91
03
02
01
00
99
98
97
96
95
94
93
92
91
19200
14400
9600
4800
0
-4800
-9600
-14400
-19200
-24000
97
506000
483000
460000
437000
414000
391000
368000
345000
322000
299000
96
zt = 265093.5 + 17745.6 t
95
92
B0
B1
Name Value
StDs TStudent RefuseProb
cte
265093.5 8403.6
31.5 6.49E-13
trend
17745.6 1058.8
16.8 1.09E-09
zt = + Asen(t ) + B cos(t ) + at
onde
uma constante (nvel)
A e B do os desvios com respeito a
= 2
A
B
Value
StDs
TStudent
RefuseProb
7.82323835 0.06754142 115.828749
0
-2.57632028 0.09547423 -26.9844582
0
-4.14312321 0.09556174 -43.3554605
0
Os resduos so grandes e tm
uma certa estrutura sazonal
j =1
j =1
zt = + A j sen ( j t ) + B j cos( j t ) + at
onde
uma constante (nvel)
Aj e Bj do os desvios com respeito a
O ajuste melhor
1992m05d01
1992m06d01
1992m07d01
1992m08d01
1992m09d01
1992m10d01
1992m11d01
1992m12d01
1993m01d01
1993m02d01
1993m03d01
1993m04d01
1993m05d01
1993m06d01
1993m07d01
1993m08d01
1993m09d01
1993m10d01
1993m11d01
1993m12d01
1994m01d01
1994m02d01
1994m03d01
1994m04d01
1994m05d01
1994m06d01
1994m07d01
1994m08d01
1994m09d01
1994m10d01
1994m11d01
1994m12d01
1995m01d01
1995m02d01
1995m03d01
1995m04d01
1995m05d01
1995m06d01
1995m07d01
1995m08d01
1995m09d01
1995m10d01
1995m11d01
1995m12d01
1996m01d01
1996m02d01
1996m03d01
1996m04d01
1996m05d01
1996m06d01
1996m07d01
1996m08d01
1996m09d01
1996m10d01
1996m11d01
1996m12d01
1997m01d01
1997m02d01
1997m03d01
1997m04d01
1997m05d01
1997m06d01
1997m07d01
1997m08d01
1997m09d01
1997m10d01
1997m11d01
1997m12d01
1998m01d01
1998m02d01
1998m03d01
A Sazonalidade das sries econmicas pode a vezes ser representada com ciclos de Fourier
O padro estacional
constante ao largo
dos anos no consumo
eltrico
116200
107900
99600
91300
83000
74700
66400
58100
49800
Tipos de perodos
A agregao nos dados sempre conduz a perda de informao. Sempre que seja possvel se deve construir modelos sobre
sries temporais com a maior profundidade de desagregao.
03
02
01
00
99
98
97
96
95
94
93
92
03
01
99
97
95
93
92
56000
52500
49000
45500
42000
38500
35000
31500
28000
24500
21000
91/01
91/07
92/01
92/07
93/01
93/07
94/01
94/07
95/01
95/07
96/01
96/07
97/01
97/07
98/01
98/07
99/01
99/07
00/01
00/07
01/01
01/07
02/01
02/07
03/01
03/07
04/01
04/07
504000
483000
462000
441000
420000
399000
378000
357000
336000
315000
Poca
Informacin
91
04
03
02
01
00
99
98
97
96
95
94
93
92
91
1960
1820
1680
1540
1400
1260
1120
980
840
700
560
6753.6
6748.8
6744
6739.2
6734.4
6729.6
6724.8
6720
6715.2
6710.4
2000
1800
1600
1400
1200
1000
800
600
400
200
0
2*Sigma
-2*Sigma
10
20
30
(1 1 B ... p B p ) zt = at
12
11
zt = (1 1 B ... q B q )at
10
zt = + Rsen( wt + ) + at
09
t t + j
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
09
Cov( zt , zt + j )
08
(t , t + j ) =
1.04
0.78
0.52
0.26
0
-0.26
-0.52
-0.78
07
zt = + at
zt = o + 1t + at
t2 = Var[ zt ]
Prever, Descrever
06
t = E[ zt ]
Modelo Estatstico
05
Pautas de Amostras
Construo do modelo
Modelo de sries temporais univariantes
Filtro
(fatores externos)
Observaes
T ( X t ) = Ft +
Rudo ou Noise
(fatores estruturais)
( B)
at
( B)
Ft = i ( B ) F t
i
2.2
04
03
02
01
00
99
98
97
96
95
94
93
92
91
1.65
( B)
(T ( X t ) Ft ) = at
( B)
1.1
Ruido Blanco
1960
1820
1680
1540
1400
1260
1120
980
840
700
560
0.55
0
-0.55
-1.1
-1.65
-2.2
-2.75
Operadores
Def.) Operador Retardo: um operador linear que aplicado a uma funo temporal proporciona a essa funo retardada um
perodo. Em particular se aplicamos o operador a uma srie temporal obtenemos a mesma srie retardada um perodo.
Bf (t ) = f (t 1)
B zt = zt 1
B =
Bazt 1 = aBzt = a zt 1
B k zt = B..Bzt = zt k
(1 1 B 2 B 2 ) zt = zt 1 zt 1 2 zt 2
Def.) Operador Diferena: o operador polinmico (1-B). O resultado de aplicar o operador diferena a uma srie Zt com
T observaes obter uma nova srie com T-1 observaes atravs
= (1 B )
zt = (1 B ) zt = zt zt 1
2 zt = (1 B ) 2 zt = (1 2 B + B 2 ) = zt 2 zt 1 + zt 2
s zt = (1 B s ) zt = zt zt s
Def.) Operadores Inversos: Verificam a propriedade que o produto por o operador inicial a unidade. (pe. o inverso do
operador retardo o operador adiantado )
F zt = B 1 zt = zt +1
(1 + B + 2 B 2 ....) zt = i =0 i B i zt i = (1 B ) 1 zt
FB =1
(1 B ) 1 (1 B ) = ( B ) 1 ( B ) = 1
Aplicao de Operadores
Aplicando, srie de consumo eltrico em perodos mensais, os distintos operadores teremos que:
B 4 zt = zt 4
wt = (1 B ) zt
S t = (1 B ) zt
12
55000
Operador B move a
srie para a direita!
50000
45000
40000
35000
30000
25000
A srie Wt
continua tendo
estrutura
20000
15000
Perdem-se 12 obvs.
10000
5000
0
04
03
02
01
00
99
98
97
96
95
94
93
92
91
-5000
2500
2250
2000
1750
1500
1250
1000
750
500
250
E ( zt ) = 0
Var ( zt ) = 2
Cov ( zt , zt k ) = 0
z t = at
Hist.
-3
1
0.8
Nota: Um processo rudo branco estacionrio em mdia e varincia. 0.6
0.4
3
0.2
0
-0.2
-0.4
2
-0.6
-0.8
-1
1
0
-2
-1
ACF
-2*Sigma
2*Sigma
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
PACF
-1
-2
05
04
03
02
01
00
99
98
97
96
95
94
93
92
91
90
-3
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
-2*Sigma
2*Sigma
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
PROCESSOS ESTACIONRIOS
Autorregressivos AR(p)
~
zt = 1 ~
zt 1 + at
(1 1 B ) ~
zt = at
~z = 1 /(1 )a
= at + at 1 + 2 at 2 + 3 at 3 ...
~
zt = zt c
Def.) Funo de Mdias de AR(1) :Tomando esperanas de Zt e dado que E(Zt) = E(Zt-1)=cts
posto que o processo estacionrio temos que
E ( zt ) = c /(1 1 )
Processo
j que
= c + 1
onde
Caracterizao
c = (1 1 )
zt = 1 zt 1 + at
E ( zt k zt ) = 1 E ( zt k zt 1 ) + E ( zt k at )
k = 1 k 1 k > 0
onde
a2
0 =
(1 12 )
j que
z2 = 2 z2 + a2
Def.) Funo de Autocorrelao de AR(1) : dividindo a funo de autocovarincias pela varincia do processo
k = 1 k 1
k = 1k
k 1
0 = 1
por tanto a funo de autocorrelao tende a zero com uma rpidez que depende de 1 quanto maior seja, menor ser o
decrescimento, a condio de estacionariedade nos garante que a funo de autocorrelao converge.
(1 0.9 B ) zt = at
(1 + 0.9 B ) zt = at
700
600
500
400
300
200
100
0
-100
-200
k = 0 .9 k
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
ACF
2*Sigma
-2*Sigma
10
20
30
06
05
04
03
02
01
00
06
05
04
03
02
01
00
400
300
200
100
0
-100
-200
-300
k = (0.9) k
Alternncia de sinal
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
ACF
2*Sigma
-2*Sigma
10
20
30
03
02
01
00
99
98
97
96
95
94
93
92
91
504000
483000
462000
441000
420000
399000
378000
357000
336000
315000
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
ACF
2*Sigma
-2*Sigma
10
20
30
A srie de consumo uma vez diferenciada no apresenta uma tendncia clara e o correlograma apresenta valores
positivos que se amortizam com rapidez, o que nos sugere a existncia de um processo autorregressivo de ordem
1
1
03
02
01
00
99
98
97
96
95
94
93
92
32400
29700
27000
24300
21600
18900
16200
13500
10800
8100
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
2*Sigma
-2*Sigma
10
20
30
Por tanto o modelo estatstico proposto para representar o comportamento da srie consumo eltrico em perodos
anuais
wt = 1wt 1 + at
(1 1 B)zt = at
wt = (1 B) zt
ACF
(1 1 B)zt = at
Name
Value
StDs
TStudent RefuseProb
RegularAR 0.88149 0.17150
5.13991
0.00061
(1 0.88149 B)(1 B) zt = at
R2Coeficient
StandardError
0.471662
11451.6037
03
02
No apresenta
nenhuma estrutura
1
0.8
E (at ) = 0
0.6
Var ( at ) = 2 0.4
0.2
Cov (at , at k ) = 0 0
-0.2
-0.4
-0.6
-0.8
-1
03
01
00
99
98
97
96
95
94
19200
16000
12800
9600
6400
3200
0
-3200
-6400
-9600
02
01
00
99
98
97
96
95
94
93
ACF
2*Sigma
-2*Sigma
10
20
30
Processo
z t = 1 z t 1 + ... + k 1 z t k +1 + u t
z t k = 1 z t 1 + ... + k 1 z t k +1 + vt
Corr (u t , vt )
z t = 11 .z t 1 + 1,t
z t = 21 .z t 1 + 22 .z t 2 + 2.t
....
z t = k1 z t 1 + ... + kk z t k + k .t
A sequncia de coeficientes ii
proporciona a funo de
autocorrelao parcial (PACF)
Em um processo AR(p) a PACF ter
os p primeiros coeficientes distintos de
zero.
PROCESSOS ESTACIONRIOS
Autorregressivos AR(2)
~
z t = 1 ~
z t 1 + 2 ~
z t 2 + at
Onde
1, 2
Processo
(1 1 B 2 B 2 ) ~
z t = at
~
zt = zt c
Def.) Funo de Mdias de AR(2) :Tomando esperanas de Zt e dado que E(Zt) = E(Zt-1)=cts
posto que o processo estacionrio temos que
E ( z t ) = c /(1 1 2 )
Caracterizao
z t = 1 z t 1 + 2 z t 2 + at
E ( z t k z t ) = 1 E ( z t k z t 1 ) + 2 E ( z t k z t 2 ) + E ( z t k at )
k = 1 k 1 + 2 k 2
k 1
onde
1 = 1 0 + 2 1
0 = 0 + 0 + 2 2 1 1 +
2
1
2
2
2
a
(1 2 ) a2
0 =
(1 + 2 )(1 1 2 )(1 + 1 2 )
1 < 2 < 1
1 2 < 1
1 + 2 < 1
Def.) Funo de Autocorrelao de AR(2) : dividindo a funo de autocovarincias pela varincia do processo
k = 1 k 1 + 2 k 2
para
k = 1 1 =
1
1 2
k 1
,
para
como i = i
k = 2 2 =
2
1
1 2
+ 2
,para
k 3 k = A1G1k + A2 G2k
z t = 1.2 z t 1 0.32 z t 2 + at
Resolver a Equao em diferenas
0.32 X 2 1.2 X + 1 = 0
X =
G11
1.2 0.4
=
0.64
G1 = 0.4 G2 = 0.8
(1 0.4 X )(1 0.8 X ) = 0.32 X 2 1.2 X + 1
Funo de Autocorrelao para o processo AR(2)
k = A1 0.4 k + A2 0.8 k
z t = 1.2 z t 1 0.32 z t 2 + at
1
at
(1 0.4 B )(1 0.8 B)
1
= 1 + 0.4 B + 0.4 2 B 2 + ...
(1 0.4 B)
zt =
1
= 1 + 0.8 B + 0.8 2 B 2 + ...
(1 0.8 B)
k = 0 1 = A1 + A2
k = 1 0.91 = 0.4 A1 + 0.8 A2
0.11 k 0.51 k
0.8
k =
0.4 +
0.4
0.4
zero a partir do
segundo retardo
(1 0.6 B 0.2 B 2 ) zt = at
PACF
Razes Reais
ACF
Sinal Distinto
(1 + 0.6 B 0.2 B ) zt = at
2
PACF
Razes Reais
PROCESSOS ESTACIONRIOS
Mdia Mvel MA(q)
Processo
( B ) zt = 1i B i zt = (1 + 1 B + 12 B 2 + ...) ~zt = at
~
zt = at 1 at 1
~
zt = (1 1 B ) at
AR ()
i =0
~
zt = zt c .
zt = at 1at 1 = ( B ) at
0 = (1 + )
2
1 = 1 a
= 0 k 2
k
2
a
( B) = a2 ( B) ( B 1 ) = ( B ) ( F )
( B) = a2 (1 1 B)(1 1 F ) = a2 { 1 F + (1 + 12 ) 1 B}
Caracterizao
2
1
Def.) Funo de Autocorrelao de MA(1) : dividindo a funo de autocovarincias pela varincia do processo.
Por tanto o correlograma do processo ter unicamente um valor distinto de zero no primeiro
1 = 1 (1 + 12 ) retardo.
k = 0 k > 1
kk = {1 } /{1
k
1
2
1
2 k +1
1
1 = 1 (1 + 12 )
Por tanto a funo est dominada por um decrescimento exponencial que depender
do valor de 1 . Quando 1 positivo a funo negativa e negativo a funo
alterna de sinal.
zt = at 1at 1
zt = at 1at 1
zt = (1 0.99 B ) at
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
1 = 1 (1 + 12 ) = -0.4999747
ACF
-2*Sigma
2*Sigma
10
15
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
PACF
-2*Sigma
2*Sigma
10
15
20
ACF
-2*Sigma
2*Sigma
20
= {1 } /{1
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
zt = (1 + 0.99 B ) at
1 = 1 (1 + 12 ) = 0.49997475
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
10
15
20
| |<
PACF
-2*Sigma
2*Sigma
10
15
20
comportamento ACF
comportamento PACF
regio de admisibilidade
Ordem
comportamento ACF
comportamento PACF
regio de admisibilidade
ARIMA(1,d,0)
ARIMA(0,d,1)
1 0
decai exponencialmente
11 0
1 <
Decaimento exponencial
1 < < 1
< 1
ARIMA(2,d,0)
ARIMA(0,d,2)
1 0
2 0
Misturas de exponenciais
e ondas senides
amortecidas
Misturas de exponenciais
11 0
e ondas senides
22 0
amortecidas
1 < 2 < 1 1 < 2 < 1
2 1 < 1
2 + 1 < 1
< 1
< 1
ARIMA(1,d,1)
Decai exponencialmente aps o lag 1
Decai exponencialmente aps o lag 1
1< <1
1< <1
Var(xt ) 2
(t, t k) (t, t + k)
Def.) Processo Integrado de Ordem h- I(h): quando ao diferenciar-lo h vezes se obtm um processo estacionrio. So
processos no estacionrios unicamente em mdia e tm a propriedade de converter-se em estacionrios tomando uma
diferena. Um processo estacionrio sempre I(0) .
2000
1800
1600
1400
1200
1000
800
600
400
200
0
89-Ene
89-Abr
89-Jul
89-Oct
90-Feb
90-May
90-Ago
90-Dic
91-Mar
91-Jun
91-Sep
92-Ene
92-Abr
92-Jul
92-Nov
93-Feb
93-May
93-Ago
93-Dic
94-Mar
94-Jun
94-Oct
95-Ene
95-Abr
95-Jul
95-Nov
96-Feb
96-May
96-Sep
96-Dic
97-Mar
97-Jun
97-Oct
98-Ene
98-Abr
98-Ago
98-Nov
99-Feb
99-May
99-Sep
99-Dic
00-Mar
00-Jul
00-Oct
01-Ene
01-Abr
01-Ago
01-Nov
02-Feb
02-Jun
02-Sep
02-Dic
03-Mar
03-Jul
03-Oct
04-Ene
04-May
2000
1800
1600
1400
1200
1000
800
600
400
200
0
(1 B) zt = at
Processo Alisamento Exponencial Simples.
IMA(1,1).
(1 B) z = (1 B)a
t
1 Orden
t 1. ARIMA(0,1,0)
Proceso Homogneo
de
(1 1 B ... p B p )(1 B ) d ~
zt = (1 1 B ... q B q ) at
Processos de Memria Longa
(1 B) d zt = at
Processo ARFIMA(p,d,q)
p ( B) d zt = q ( B)at
E ( zt ) = 0
Var ( zt ) = a2t
zt = at
zt = zt 1 + at
Cov ( z t , z t k ) = a2 (t k )
120
Hist.
500
400
300
200
100
25
50
75
Diminuio
muito lenta
110
100
ACF
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
90
80
70
60
50
40
-2*Sigma
2*Sigma
10
Valor prximo a 1
30
20
20
10
0
04
03
02
01
00
99
98
97
96
95
94
93
92
-10
91
100
30
PACF
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
-2*Sigma
2*Sigma
10
20
30
Srie do IBEX-35
A srie de cotizaes do IBEX_35 em perodos dirios um processo no estacionrio em mdia e em varincia. Sem
embargo no correlograma se aprecia uma estrutura muito parecida ao correlograma de um passeio aleatrio, o que nos leva a
propor esta estrutura como modelo para representar a cotizao da bolsa.
E ( at ) = 0
At no um passeio
2
Ibex35t = at
aleatrio
Var ( a )
t
Ibex35t = Ibex35t 1 + at
Cov (at , at k ) 0
Uma vez tomada a diferena regular (1-B) observamos que a srie estacionria em mdia nu=0 mas no assim em varincia
que apresenta perodos de muita instabilidade. Uma representao mais adequada do processo deveria introduzir a varincia do
erro como varivel explicativa (p.e.modelo GARCH), por tanto no podemos concluir que o IBEX35 seja um passeio aleatrio.
ACF
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
12500
10000
7500
-2*Sigma
2*Sigma
10
20
30
5000
2500
A varincia do
modelo no
constante
90
91
91
91
92
92
92
93
93
93
94
94
94
95
95
95
96
96
96
97
97
97
98
98
98
99
99
99
00
00
00
01
01
01
02
02
02
03
03
03
PACF
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
-2*Sigma
2*Sigma
10
20
30
Processo
(1 1 B ... p B p )(1 B ) d ~
zt = (1 1 B ... q B q ) at
p ( B ) d ~zt = q ( B )at
zt = zt
onde at um processo rudo branco com ~
Sendo p a ordem da parte autorregressiva , q a ordem da parte mdia mvel e d o nmero de razes unitrias. O processo
chama-se integrado porque zt obtm-se como soma infinita de wt. Por exemplo se
wt = (1 B ) ~
zt
t
~
zt = (1 B ) 1 wt = (1 + B + B 2 + B 3 ...) wt = j = wt
Definimos
p ( B ) = (1 1 B ... p B p )
q ( B ) = (1 1 B ... q B q )
Duas representaes alternativas do processo ARIMA como
1.) Soma de Inovaes:
zt = at + i =1 i at i = ( B )at
MA( )
p + d ( B ) = p ( B )(1 B ) d = (1 1 B ... p + d B p + d )
zt = at + 1at 1 + 2 at 2 + ... = ( B )at
( B ) ~z = ( B )a
p+d
p + d ( B ) ( B ) = q ( B )
MA( )
( B ) zt = zt + i =1 i zt i = at
AR ( )
p + d ( B ) ~zt = q ( B )at
p + d ( B ) = q ( B ) ( B )
Os