Escolar Documentos
Profissional Documentos
Cultura Documentos
O comando arima do Stata estima modelos ARIMA padres que so autoregressivos na varivel dependente e modelos estruturais com perturbaes (erros)
ARMA. Considere um processo autoregressivo de mdias mveis de primeira
ordem. O comando arima estima todos os parmetros no modelo:
yt = xt + t equao estrutural
t = t1 + t1 + t perturbao aleatria (erro), ARMA(1,1)
onde:
o parmetro de autocorrelao de primeira ordem
o parmetro de mdias mveis de primeira ordem
t ~i.i.d. N(0, 2 ), signicando que t um ruido branco
Podemos combinar as duas equaes e escrever um modelo na forma geral
ARMA(p,q) no processo de perturbaes como:
Modelos ARIMA
Podemos ver atravs dos resultados acima que o coeciente AR(1) 0,874,
o coeciente MA(1) -0,412 (sendo que estes dois parmetros so altamente
signicativos) e o desvio padro do termo de ruido branco t estimado 0,725.
2
20
-.02
40
.02
D.ln_wpi
.04
.06
100
120
1960q1
1970q1
1980q1
1990q1
quarterly date
1960q1
1970q1
1980q1
1990q1
quarterly date
0.60
0.60
0.40
Autocorrelations of D.ln_wpi
0.00
0.20
-0.40
-0.20
-0.40
0
10
20
Lag
30
40
10
20
Lag
30
40
(1 1 L){ln(wpit ) 0 } = (1 + 1 L + 4 L4 )t
(2)
(3)
(5)
zt = 1 zt1 +2 zt2 +4,1 zt4 1 4,1 zt5 2 4,2 zt6 +1 t1 +4,1 t4 +1 4,1 t5 +4,2 t8 +1 4,2 t9 +t
(6)
onde zt = 4 zt = (zt zt4 ) = (zt zt1 ) (zt4 zt5 )
e zt = yt xt se regressores so incluidos no modelo.
Mais geralmente um modelo multiplicativo SARIMA (p, d, q) (P, D, Q)s :
p
(L )s (LP )d D
t = (Lq )s (LQ )t
s z
onde:
s (LP ) = (1 s,1 Ls s,2 L2s ... s,P LP s
(LQ ) = (1 + s,1 Ls + s,2 L2s ... s,Q s,P LQs
Se o grco dos dados sugerem que o efeito sazonal proporcional a mdia
da srie, ento o efeito sazonal provavelmente multiplicativo e um modelo
SARIMA multiplicativo pode ser apropriado. Box, Jenkins, and Reinsel (2008,
sec. 9.3.1) sugerem comear com um modelo SARIMA com quaisquer dados
que exibirem um padro sazonal e depois explorar modelos no multiplicativos
SARIMA se os modelos multiplicativos no se ajustarem bem aos dados. Por
6
outro lado, Chateld (2004, 14) sugere que tomar logaritimo da srie tornar o
efeito sazonal aditivo e neste caso um modelo SARIMA aditivo como o ajustado
no exemplo anterior seria apropriado. Em resumo, o analista deve tentar tanto
o SARIMA aditivo como o SARIMA multiplicativo e vericar qual dos dois
fornece melhor ajuste aos dados e melhores previses.
Exemplo 3: Modelo SARIMA multiplicativo
Uma das mais comuns especicaes SARIMA o (0, 1, 1) (0, 1, 1)12 aplicado aos dados de linhas areas de Box, Jenkins, and Reinsel (2008, sec. 9.2).
O conjunto de dados airline.dta contem dados mensais de passageiros de linhas areas internacionais de janeiro de 1949 a dezembro de 1960. Aps uma
primeira diferenciao e uma diferenciao sazonal no podemos suspeitar de
uma componente de tendncia nos dados e ento usamos a opo nocontant com
o comando arima:
use http://www.stata-press.com/data/r13/air2
generate lnair = ln(air)
arima lnair, arima(0,1,1) sarima(0,1,1,12) noconstant
= 0, 037
O coeciente de t13 (0,224) aproximadamente igual ao produto dos coecientes det1 (0, 402) e t12 (0, 557) . O comando arima designou o termo
DS12.lnair para indicar que foi aplicado o operador diferena e o operador
de diferena sazonal de 12 lags 12 a srie lnair. Podemos tambm ajustar o
mesmo modelo atravs do comando:
arima DS12.lnair, ma(1) mma(1, 12) noconstant
Para modelos multiplicativos SARIMA mais simples mais fcil usar a opo
sarima(), embora esta segunda sintaxe permita incorporar termos sazonais mais
complicados.
10
2000
Bilhes de dlares
1400
1600
1800
1200
1977q1
1978q1
1979q1
1980q1
trimestre
srie observada
previso dinmica
1981q1
1982q1
11
200
150
Vestuario
100
50
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48 50 52 54 56 58 60 62 64 66 68 70 72 74 76 78 80 82 84 86 88
time
12
Obs
ll(null)
ll(model)
df
AIC
BIC
modelo1
modelo2
modelo3
modelo4
76
76
76
76
.
.
.
.
-260.9831
-258.7182
-264.7449
-254.9083
3
3
2
4
527.9662
523.4363
533.4899
517.8166
534.9584
530.4285
538.1513
527.1395
Note:
-0.40
Autocorrelations of ruido
-0.20
0.00
0.20
0.40
O ltimo modelo (modelo4) parece ser o que pelos critrios (mxima verossimilhana, AIC e BIC) o que melhor se ajusta aos dados.
estimates restore modelo4
predict ruido, residuals
twoway (line ruido time)
ac ruido
10
20
Lag
predict chat, y
predict chatdy, dynamic(70) y
label var Vestuario "srie observada"
label var chat "previso um passo a frente"
label var chatdy "previso dinmica"
13
30
40
200
ndice de preos vesturio
100
150
50
60
70
80
ms
srie observada
previso dinmica
14
90