Escolar Documentos
Profissional Documentos
Cultura Documentos
2.1.
MODELOS ESTATSTICOS
valores futuros so expostos em termos probabilsticos, uma vez que a srie esta
descrita por meio de uma relao funcional que envolve no s o tempo, mas tambm
uma varivel aleatria do tipo y
1
Neste trabalho, somente sero consideradas sries temporais estocsticas discretas,
em que as observaes sero geradas em intervalos de tempo contnuos.
(y)
(MORETIN, 2008).
forma que:
Mdia:
E{ y(t )}
Varincia: Var{ y (t )}
Covarincia:
(t )
(t1, t 2)
(t )
(t1
t 2, 0)
;
Cov{ y(t 1
t 2), y(0)} .
(t )
E{ y (t )}
(t1, t 2)
0; t ;
E ( t2 )
E(
; t
t j
) 0 ; para todo j 0
proposto por por Holt (1957) e Winters (1960), baseado em trs equaes de
suavizao: nvel, tendncia e sazonalidade. Dependendo da sazonalidade pode ser
modelado de forma multiplicativa ou aditiva, conforme equaes seguintes.
Quadro 2.1 Equaes recursivas para modelos de Holt-Winters
Holt-Winters Aditivo
Nvel
( yt st
(t
bt
Tendncia
Sazonalidade
st
Previso
Ft
)(t
) (1
(t
bt
bt 1)
)bt
) (1
( yt t ) (1
Holt-Winters Multiplicativo
yt
st
(t
bt
)st
st
Ft
m) t
yt
t
m
)(t
(1
bt 1)
(t
)bt
) (1
)St
(1
bt
m) t
Onde:
Ft
(nenhum)
(aditivo)
(multiplicativo)
N (nenhum)
N,N
N,A
N,M
A (aditivo)
A,N
A,A
A,M
Ad (aditivo amortecido)
Ad,N
Ad,M
Ad,M
M (multiplicativo)
M,N
M,A
M,M
Md (multiplicativo amortecido)
Md,N
Md,A
Md,M
yt
1 t
2 t
...
p t
(2.1)
Onde:
0)
e o termo de erro
estacionrio,
possui mdia
1, 2,..., p
0e
;
,
,...,
varincia constante
so
2
na equao
yt
( yt
yt
1 t
( yt
2 t
) ...
...
p t
p( t
(2.2)
Em que
(1
...
p)
(1
B p )yt
B 2 ...
(2.3)
Onde:
Byt
yt
B 2 yt B (Byt ) Byt
yt
(B )yt
(2.4)
Bp
B 2 ...
(2.5)
1 1
1 k
...
2 2
1
2 k
...
(2.6)
p k
1,
e do termo
ou seja, AR (1),
especificado por:
yt
yt
(2.7)
yt
(2.8)
j 0
(B )
=+ 0,9 e
= -0,9.
= +0,9 e
=-0,9.
yt
1 t
2 t
...
q t
(2.9)
10
Onde:
t ~
,...,
N (0,
q(
0) =
1, 2,..., q ;
yt
(B )
(2.10)
B p (2.11)
B 2 ...
(1
2
2
...
(2.12)
Para k > q,
da equao caracterstica
k 1
...
k 2
q k q
(2.13)
yt
Onde
zero e
t ~
N (0,
(2.14)
E y t2
E (
)2
11
(1
) (2.15)
E ytyt
E (
E ytyt
E (
)(
)(
(2.16)
=+ 0,5 e
= -0,5.
12
= +0,5 e
= -0,5
yt
yt
...
yt
1 t
...
q t
(2.17)
Em que:
= parmetro auto-regressivo;
N (0,
Se
(1
...
yt
yt
tem mdia
p
que
yt
...
yt
1 t
...
q t
(2.18)
Como observado anteriormente, quando q = 0, o modelo chamado de autoregressivos de ordem p, AR (p), e quando p = 0, o modelo chamado de mdia mvel
de ordem q, MA (q). Para auxiliar na investigao dos modelos ARMA, util escrevlos usando o operador de defasagem do processo AR (2.5) e operador da MA (2.11).
Assim, o modelo ARMA (p,q) (2.17) pode ser descrito de forma simplificada:
(B )yt
(B )
(2.19)
13
(B )
crculo unitrio.
2.1.2.2.4. Modelo auto-regressivo integrado de mdias mvel (ARIMA)
A relao temporal
considerada por
Box-Jenkins representada
wt
wt
...
Portanto, wt
O operador de diferena
1 t
...
q t
(2.20)
1 B.
,...,
,...,
so os
(B )(1 B )d yt
Se E (
yt )
(B )
(2.21)
, o modelo reescrito:
(B )(1 B )d yt
Em que
(1
...
(B )
(2.22)
p)
15
16
(2.23)
k
0
Em que
de pares (k ,
K)
a covarincia yt, yt
a varincia de yt . A seqncia
( yt
rk
y )( yt
t k 1
y)
,k
( yt
1,2,..., (2.24)
y )
t 1
17
n = tamanho da amostra
Conhecida a distribuio de r k possvel determinar os intervalos de
confiana e os testes de hipteses usuais para verificar se cada coeficiente de
autocorrelao nulo. Tambm possvel testar se os primeiros coeficientes de
autocorrelao so conjuntamente iguais a zero, ao invs de testar as autocorrelaes
residuais individuais, atravs das estatsticas Q. Box & Jenkins (1970) sugeriram o uso
do teste de Box-Pierce:
k
rk2 (2.25)
k 1
rk2
k 1
n k
Q (K ) n (n 2)
n
k 1
rk 0 contra H1:
de signicncia , se Q
n
k 1
(2.26)
18
, yt
,... , yt
kk
1
2
...
...
(2.27)
(...)
k
...
1, 96 / n 1/2 e
(MATOS, 2000).
1, 96 / n 1/2
AIC
log
2
k
n 2k
n
(2.28)
19
Em que:
2
k
SSE
; SSE
n
( yt
y )
t 1
n = tamanho da amostra;
k = n de parmetros do modelo.
Formalmente, o AIC tambm pode ser representado por:
AIC
2log Lk 2k
(2.29)
AICc
log
2
k
n 2k
(2.30)
n k 2
BIC
log
2
k
k log n
n
(2.31)
20
verossimilhana. Porm, para comparar esses critrios, a estimao precisa ser feita no
mesmo perodo amostral (EHLERS, 2009).
Alguns trabalhos propuseram a abordagem de redes neurais para
identificao dos parmetros do ARIMA, como Jhee et al. (1992) que desenvolveram
duas redes neurais usadas para modelar a funo de autocorrelao (FAC) e funo de
autocorrelao parcial (FACP), sendo que as sadas dessas RNAs indicaram as ordens
de um modelo ARMA. Lee e Jhee (1994), estudaram um sistema de RNAs para
identificao automtica dos parmetros de Box-Jenkins usando a funo de
autocorrelao estendida da amostra atravs de rede MPL para filtragem dos rudos e
identificar corretamente o modelo ARMA.
Reynolds et al (1995) tambm utilizaram as RNAs para o problema de
identificao do modelo Box-Jenkins. Duas redes foram criadas, a primeira foi usada
para determinar o nmero de diferenas necessrias para que uma srie temporal se
tornasse estacionria, enquanto a segunda teve o objetivo de identificar o modelo
ARMA com base nas informaes da FAC e FACP da srie.
b) Estimao
O segundo passo da metodologia Box-Jenkins consiste na estimao dos
parmetros do modelo identificado,
se
houver o filtro de mdias mveis e a varincia do rudo branco. Para um bom ajuste do
ARIMA necessrio utilizar tcnicas em que a estrutura residual seja um rudo branco,
equivalente a uma varivel aleatria independentemente e identicamente distribuda, ou
seja,
t ~
i .i .d (0,
21
verossimilhana
condicional
assinoticamente
equivalente
ao
da
mxima
e Shapiro-Wilk.
O teste Jarque-Bera verifica se os momentos da srie estimada so iguais
aos da normal. Sob essa hiptese, a assimetria igual a zero e a curtose igual a trs.
H 0 : E ( ts )3
E ( ts ) 4
H 1 : E ( ts )3
0 E ( ts ) 4
JB
T
t
(
1
s
t
)3
(
1
24
s
t
)4
(2.32)
Onde:
s
t
= resduo padronizado, ts
)/
T = tamanho da amostra
22
y2
...
y )2
( yi
i 1
yn ;
2k , ento b
Se n
an
( yn
yi )
i 1
Se n 2k 1 , ento b
an( yn y 1) ... ak 2( yk
yk )
5.
Tabela 2.1 -
23
y 1 -4, y 2 -2, y 3 0, y 4
1
(142 ) S 118 ;
7
ii) S 146
1, y 5 5, y 6 6, y 7 8.
7,
verifica:
0,6233(8
4) 0,3031(6 2) 0,1401(5 0)
b 10,6049
iv) W
v) Para
0,9530
sazonal
no-estacionrio
das
sries
temporais,
presente
24
(B s )yt
(B s )
(2.33)
(B s ) 1
Bs
B 2s ...
Bs
B Ps (2.34)
B 2s ...
B Qs (2.35)
B 12 )yt (1
(1
yt
yt
12
B 12 )
12
(2.36)
(B s ) (B )yt
(B s ) (B )
(2.37)
(B s ) (B )
D
s
yt
(B s ) (B )
(2.38)
Onde:
d
(1 B )d
D
s
(1 B s )D
(B s ) = equao (2.34)
(B s ) = equao (2.35)
(B )
= equao (2.5)
25
(B )
= equao (2.11)
yt
yt
(2.39)
yt - 1 +
t
(2.40)
(2.41)
yt - 1 +
(2.42)
t. O coeficiente
e uma
26
a respeito da constante
individuais (H0:
yt = yt - 1 +
yt
(2.43)
i 1
p 1
yt =
yt - 1
yt
(2.44)
i 1
p 1
yt = +
+ yt - 1 +
yt
(2.45)
i 1
27