Escolar Documentos
Profissional Documentos
Cultura Documentos
, para i = 1, 2,
3....
2.2.3 Modelos de Mdia Mvel MA(q)
Para Souza (2006), um modelo de mdia mvel utilizado quando a srie
temporal pode ser explicada pelo somatrio de uma mdia ponderada dos erros
aleatrios (rudos brancos) passados e do perodo atual. Um modelo de mdia mvel de
ordem q, MA(q), expresso pela seguinte equao:
para i = 1, 2,
3....
2.2.4 Modelos Auto-Regressivos de Mdias Mveis ARMA(p,q)
Segundo Werner e Ribeiro (2003), processos estacionrios que exibem
comportamento auto-regressivo e de mdias mveis, descritos simultaneamente por
seus valores passados regredidos e pelos erros aleatrios atuais e passados, logo,
apresentando autocorrelaes entre os valores e rudos da srie, podem ser explicados
por modelos ARMA de ordem p e q, ARMA(p,q). Tais modelos so formulados da
seguinte maneira:
2.3 Modelos No-Estacionrios ARIMA(p,d,q)
Para Rezende et. al (2006), se a srie temporal no apresenta mdia e varincia
constantes, o processo estocstico considerado no-estacionrio e caracterizado por
tendncias, sazonalidades ou flutuaes aleatrias. Neste caso os modelos ARIMA
(p,d,q) so utilizados. Estes modelos diferem-se dos demais devido ao filtro de
Integrao I(d), que tem a finalidade de indicar o nmero de diferenas matemticas
necessrias para tornar a srie estacionria. A equao 4 demonstra como formulado
este tipo de modelo.
representa a srie
diferenciada vezes.
2.4 Modelos Sazonais
Segundo Box & Jenkins (1976) os modelos SARIMA (Seasonal Auto Regressive
Integrated Moving Averages) so utilizados quando a srie temporal apresenta
autocorrelao peridica e inferior a um ano. Este tipo de modelo similar aos modelos
ARIMA(p,d,q) porm apresentam os filtros sazonais
(B) e
), procedimentos sugeridos
respectivamente por Pindyck e Rubinfeld (2004) e Makridakis et al. (1998). Destaca-se
que o teste Q* foi uma alternativa complementar a anlise de significncia dos
parmetros, utilizado para aprovao de modelos.
5
A normalidade dos erros foi averiguada atravs do teste de Shapiro-Wilk,
sugerido por Torman, Birck e Riboldi (2005) como o mais eficiente dentre os testes de
normalidade. Com intuito de ilustrar a distribuio dos erros, corroborando a premissa
de normalidade, foi utilizado um histograma de frequncia.
O comportamento homocedstico dos erros foi verificado atravs de diagrama
de disperso e teste Run Chart, sugeridos por Rezende et al. (2006), os quais visam
avaliar a disperso e a significncia estatstica dos efeitos de tendncia e oscilao nos
resduos, com intuito de comprovar que sua varincia se comporta de forma constante
no tempo.
4. Resultados e Discusso
A Figura 1 demonstra o grfico do consumo de energia em Kw/h dos 60 meses
observados referentes aos anos de 2007, 2008, 2009, 2010 e 2011.
Figura 1 Srie Temporal do Consumo de Energia Rural em Kw/h. Fonte: Minitab 14
Nota-se a presena de uma leve tendncia linear de crescimento, que aparenta
no ser significante, exibindo indcios de que a srie estacionria, visto que o consumo
mensal de energia parece oscilar em torno de um valor mdio.
Para corroborar esta premissa o Quadro 1 apresenta os resultados obtidos no
software Eviews 7.0 para o teste de Dickey-Fuller, que segundo Leroy, Albuquerque e
Moraes (2006) um teste formal e muito utilizado para averiguar a presena de raiz
unitria nos dados. Segundo estes autores, a confirmao de raiz unitria indica a no
estacionaridade da srie e consequentemente a presena de tendncias estocsticas. A
srie ser estacionria se o valor absoluto da estatstica tau () exceder o valor crtico
obtido na distribuio de Dickey-Fuller, em funo de um nvel de significncia () e do
nmero de observaes ( ).
Quadro 1 Teste de Raiz Unitria para srie do Consumo de Energia Rural
Estatstica Valores Valores Absolutos
Estatstica Tau ( -4,66226 4,66225
Estatstica de Dickey- Fuller para 1% -4,12130 4,12130
6
Estatstica de Dickey- Fuller para = 5% -3,48784 3,48784
Estatstica de Dickey- Fuller para = 10% -3,17231 3,17231
Fonte: Elaborado pelo autor
Em valores absolutos a estatstica tau () foi superior estatstica de Dickey-
Fuller para ambos os nveis de significncia analisados, logo, pode-se concluir que a
srie estacionria e que a tendncia observada nos dados no significante. A Figura 2
ilustra os correlogramas da ACF e PACF.
Figura 2 ACF (Esquerda) e PACF (direita) da Srie Temporal. Fonte: Minitab 14
Observa-se que a ACF e a PACF apresentam decaimento rpido e corte abrupto
a partir do lag 1, com autocorrelaes significantes apenas nos lags 1, 11 e 21 (ACF) e
nos lags 1 e 11 (PACF), portanto, comportamento semelhante ao descrito por Pindyck e
Rubinfeld (2004), que afirmam que em sries estacionrias a maioria das
autocorrelaes amostrais torna-se estatisticamente iguais zero rapidamente com o
aumento das defasagens, demonstrando que a mdia e varincia das observaes esto
estacionrias.
Fischer (1982) complementa afirmando que a presena de autocorrelaes
significantes prximas s defasagens sazonais da ACF e PACF um indcio de
sazonalidade, logo, como no primeiro grfico os lags 11 e 21 e no segundo grfico o lag
11 possuem significncia estatstica, neste trabalho considerou-se o efeito sazonal com
periodicidade de 12 meses.
Devido as evidencias apresentadas, que comprovam que a srie estacionria, o
valor do filtro de integrao I( foi igual a zero (0). Analisando as autocorrelaes da
ACF e PACF, inclusive nas defasagens sazonais, a base terica indica um modelo
com intuito de
encontrar o modelo que obtivesse os melhores resultados. O Quadro 2 apresenta as
anlises realizadas no software Minitab 14.
7
Quadro 2 Resultados da comparao de modelos
n SARIMA Parmetros Valor-p Q*(k = 12) Q*(k = 24) Q*(k = 36)
1
AR(1)
MA(1)
SAR(1)
SMA(1)
SMA(2)
0,000
0,188
0,002
0,428
0,999
Q* = 16,1
Q (7) = 14,06
Valor-P = 0,024
Q* = 31,8
Q (19) = 30,14
Valor-P = 0,033
Q* = 47,6
Q (31) = 44,98
Valor-P = 0,029
2
AR(1)
MA(1)
SAR(1)
SMA(1)
0,086
0,259
0,000
0,003
Q* = 17,2
Q (8) = 15,50
Valor-P = 0,028
Q* = 36,2
Q (20) = 31,41
Valor-P = 0,015
Q* = 50,8
Q (32) = 46,19
Valor-P = 0,019
3
AR(1)
SAR(1)
0,007
0,000
Q* = 16,1
Q (10) = 18,30
Valor-P = 0,096
Q* = 40,2
Q (22) = 33,92
Valor-P = 0,010
Q* = 51,0
Q (34) = 48,60
Valor-P = 0,031
4
MA(1)
SMA(1)
0,000
0,002
Q* = 10,8
Q (10) = 18,30
Valor-P = 0,370
Q* = 25,5
Q (22) = 33,92
Valor-P = 0,274
Q* = 37,0
Q (34) = 48,60
Valor-P = 0,331
5
AR(1)
MA(1)
MA(2)
SMA(1)
0,000
0,000
0,000
0,000
Q* = 12,4
Q (8) = 15,50
Valor-P = 0,135
Q* = 29,6
Q (20) = 31,41
Valor-P = 0,076
Q* = 41,9
Q (32) = 46,19
Valor-P = 0,114
6
AR(1)
MA(1)
MA(2)
SAR(1)
SAR(2)
0,000
0,000
0,000
0,000
0,559
Q* = 15,6
Q (6) = 12,59
Valor-P = 0,016
Q* = 47,4
Q (18) = 28,86
Valor-P = 0,000
Q* = 63,9
Q (30) = 43,77
Valor-P = 0,000
7
AR(1)
AR(2)
MA(1)
SMA(1)
0,000
0,032
0,000
0,000
Q* = 11,0
Q (8) = 15,50
Valor-P = 0,199
Q* = 25,4
Q (20) = 31,41
Valor-P = 0,193
Q* = 35,7
Q (32) = 46,19
Valor-P = 0,299
8
AR(1)
AR(2)
MA(1)
SAR(1)
SAR(2)
0,000
0,045
0,000
0,000
0,000
Q* = 10,4
Q (7) = 14,06
Valor-P = 0,169
Q* = 24,5
Q (19) = 30,14
Valor-P = 0,177
Q* = 36,2
Q (31) = 44,98
Valor-P = 0,237
Fonte: Elaborado pelo Prprio Autor
Atravs dos resultados demonstrados no Quadro 2, analisou-se inicialmente a
significncia estatstica dos parmetros atravs do valor-p, que retrata a probabilidade
do erro padro de cada coeficiente ser maior que o valor de sua taxa estimada. No
Minitab 14, adotando-se = 5%, um coeficiente considerado significante (diferente
de zero) se seu valor-p for inferior a 0,05 e de acordo com Rezende et al. (2006), um
modelo adequado se todos os seus parmetros forem significantes, o que justifica a
incluso dos mesmos e garante maior confiabilidade dos resultados. Portanto, os
modelos 1, 2 e 6 foram reprovados neste teste, visto que obtiveram 1 ou mais
parmetros insignificantes ou estatisticamente iguais a zero.
Em seguida foi analisado o teste Ljung-Box. Neste calcula-se o valor da
estatstica
5 (1,0,2) x (0,1,1) 3,17 x
7 (2,0,1) x (0,1,1) 2,67 x
8 (2,0,1) x (2,1,0) 1,79 x
Fonte: Elaborado pelo Prprio Autor
Nesta anlise verifica-se que o modelo SARIMA
mostrou-se
superior, apresentando menor EQM (1,79 x
.
9
Figura 3 ACF e PACF dos resduos do Modelo SARIMA
Fonte: Minitab 14
Figura 4 Suposies Estatsticas para verificao dos Resduos. Fonte: Minitab 14
Verifica-se atravs da Figura 3 que no h autocorrelaes significantes entre os
resduos do modelo SARIMA
apresenta
resduos com comportamento de rudo branco, atendendo as especificaes necessrias
para validao de modelos Box & Jenkins. A Figura 5 ilustra o ajuste deste modelo aos
dados reais de consumo de energia eltrica do setor rural e os intervalos de confiana de
95%.
Figura 5 - Ajuste da srie pelo modelo SARIMA
. Fonte: Minitab 14
Para complementar o trabalho, o Quadro 5 apresenta os valores ilustrados na
Figura 7, de forma a analisar a disperso das previses quanto aos valores reais e dos
intervalos de confiana.
Quadro 5 Previso com o modelo SARIMA
Ms
Limite Inferior
(5%)
Valor Real Previsto
Limite Superior
(95%)
Erros
Dentro do
Intervalo
Jan/12 528.982,2 553.848 559.320,9 589.659,6 -5.472,8 Sim
Fev/12 551.804,1 578.115 586.926,7 622.049,3 -8.811,6 Sim
Mar/12 555.008,6 605.607 590.134,4 625.260,2 15.472,6 Sim
Abr/12 543.728,9 609.787 579.089,1 614.449,2 30.697,9 Sim
Mai/12 526.758,8 559.567 562.161,6 597.564,4 -2.594,5 Sim
Jun/12 515.912,6 553.529 551.351 586.789,4 2.178,0 Sim
Fonte: Elaborado pelo Prprio Autor
Alm de ter apresentado melhores resultados, verifica-se que todas as previses
realizadas pelo modelo SARIMA