Você está na página 1de 5

cujos valores de sada medidos ao longo do tempo, embora

sejam aleatrios, tendem a voltar para a mdia, da vem a


MODELO expresso autorregressivo que regride ou volta a ser como
era. Mas essa regresso no ocorre sempre, como veremos
AUTORREGRESSIVO adiante. De qualquer forma, o objetivo principal de um modelo
autorregressivo o de prever os prximos valores, baseando-se

(AR) E SUAS em valores anteriores.


Os dois fatores que modulam a sada desse processo so um

PROPRIEDADES
termo de erro , que possui caractersticas de rudo branco
gaussiano, e um coeficiente de regresso , que define o quanto
Corra, N.K; Oliveira, B.G. de memria o processo tem, ou seja, o quanto as ltimas
sadas influenciam na atual, podendo haver um terceiro
elemento que uma constante, [1] [4] [7].
Resumo Processos onde os valores de uma mesma varivel
Um processo autorregressivo de ordem , (), aquele
so medidos ao longo do tempo so chamados de sries temporais.
Ests series possuem uma relao de dependncia entre seus no qual a sada em um instante dependente dos valores
valores, o que nos permite analisar a influncia de uma varivel anteriores da mesma srie, , , ..., , acrescido do
consigo mesma em instantes diferentes. O Modelo Autorregressivo termo de erro e uma constante que geralmente zero. Essa
(AR) um tipo de srie temporal que nos permite analisar a equao pode ser expressa por [4]:
influncia de valores passados de uma varivel, com seu valor
atual ou futuro, tambm nos permite analisar como () = = + 1 1 + 2 2 + + +
perturbaes dentro do processo podem influenciar valores de
observaes futuras. Processos AR so classificados de acordo com Onde , com indo de a so os coeficientes de
sua ordem, a ordem nos diz o quanto de memria o processo
carrega, ou seja, o quanto eventos anteriores so capazes de afetar regresso do processo.
valores atuais de um processo. A influncia dos valores de um Um modelo autorregressivo de ordem zero, (0), no
processo AR calculado atravs da autocorrelao (ACF) e dependeria de nenhum instante anterior, logo seria puramente
autocorrelao parcial (PACF), isso nos permite obter a ordem do rudo branco deslocado de uma constante [1]:
processo. Atravs da funo de densidade espectral, conseguimos
analisar o quo lenta, ou rpida, a variao do sinal. O modelo (0) = +
AR uma valiosa ferramenta para analisarmos processos onde
uma regresso linear seja evidente, e quando buscamos
O termo de erro uma varivel aleatria gaussiana
compreender as influncias de eventos passados para com eventos independente e identicamente distribuda (iid), caracterizada
futuros, tal modelo muito utilizado para predio de variaes de por [1]:
preos na rea de econometria como tambm na rea de previso = { } = 0 (mdia zero)
do clima. = { 2 } = 2 (varincia constante)
Palavras-chave: modelo autorregressivo, processos estocsticos, Um modelo autorregressivo de 1 ordem, (1), dependeria
sries temporais. em cada instante do instante anterior 1 [2] [4] [7]:

I. INTRODUO (1) = = + 1 1 +

S
RIES temporais so sequncias de medidas de uma J, um modelo autorregressivo de 2 ordem, (2),
mesma varivel feita ao longo do tempo. Usualmente, tais dependeria tambm de :
medidas so feitas em um mesmo espao de tempo, ou
seja, o perodo de amostragem fixo (exemplo: (2) = = + 1 1 + 2 2 +
anualmente, mensalmente). Uma caracterstica importante em Portanto, quanto maior a ordem do processo autorregressivo,
series temporais que a ordem dos elementos em uma lista de mais influncia os valores passados tero nos valores presente.
observaes deve ser preservada, pois existe dependncia entre Um processo (0) no afetado pelos valores passados,
os valores e mudar a ordem afeta a interpretao dos dados [1] enquanto um () afetado pelos valores passados.
[3].
O estudo de sries temporais nos permite, por exemplo, III. Requisitos para o modelo AR
analisar como eventos passados podem afetar o presente ou Inicialmente, precisamos definir processos autorregressivos
estimar valores futuros, tal estudo feito atravs de modelos como sries temporais estacionrios, cujos parmetros
autorregressivos integrados de mdias mveis (ARIMA). Este estatsticos no variam com o tempo , dependendo somente da
estudo se concentrar no modelo autorregressivo (AR) [1][7]. diferena de tempo entre as realizaes [7]. Para que a funo
de autocorrelao, que nos permite observar como dois valores
II. MODELO AUTORREGRESSIVO em tempos diferentes dentro do mesmo processo se relacionam
O modelo autorregressivo caracteriza uma srie temporal faa sentido, a srie temporal deve ser no mnimo estacionrio

Corra, N.K (nicholas.correa@acad.pucrs.br);


Oliveira, B.G. (bruno.goulart@acad.pucrs.br).
no sentido amplo (wide sense stationay WSS). Podemos perceber que conforme o valor do coeficiente de
Uma srie dita estacionria no sentido amplo, quando esta regresso se aproxima de 1, por mais tempo o processo se
satisfaz as seguintes propriedades [3]: mantem afastado da mdia.
A mdia { } constante para todo ;
A varincia 2 constante para todo ; IV. Medidas estatsticas de processos AR.
E a covarincia (assim como a autocorrelao
Tomemos como exemplo, um processo (1), cuja equao
) a mesma entre e para todo ,
dada por [1]:
dependendo somente de .
= + 1 +
A mdia de um processo (1), por exemplo, pode ser obtida
atravs da seguinte equao, quando = 0 [1] [7]: Note que 1, que seria a funo para o processo (1)
em um instante anterior seria:
= { } = {1 1 + }
= 1 + 0 1 = + 2 +
Ento, exceto para 1 = 1, Agora substituindo na primeira equao:
= 0 = + ( + 2 + ) +
A estacionaridade do processo depende do coeficiente Se expandirmos 2 e posteriormente 3 e assim
autorregressivo 1 . consecutivamente, obtemos:
Se |1 | < 1, o processo considerado estacionrio; = + + ( + 1 ) + 2 ( + 2 ) +
Se 1 = 0, no existe memria no processo, ele
deixa de ser autorregressivo e sua representao = + + 1 + 2 2 +
1
grfica se torna rudo branco, Figura 1;
Se |1 | 1, o processo deixa de ser estacionrio, pois O valor esperado dado por:
a sada do sistema no tende a retornar mdia.
Note que se |1 | > 1, os valores passados da varivel { } = +0+0+
1
aleatria acumulam ao invs de voltar para a mdia, o que
{ } = =
impossibilitaria da estacionaridade do processo. 1
Nas figuras a seguir, podemos ver a representao grfica de
um processo autorregressivo de 1 ordem com valores Como normalmente, = 0, obtemos = 0.
diferentes para 1 [1]: A varincia do processo, pode ser obtida atravs de [1] [4]:
= { }2
2
= { + + 1 + 2 2 + }
1 1
= (1 + 2 + 4 + ) 2
2
=
1 2
Enquanto a autocovarincia dada por:
Figura 1 - Processo (1) com = 0. (, ) = {( )( )}
= (1 + 2 + 4 + ) 2
2
(, ) =
1 2
Finalmente, o coeficiente de autocorrelao dado por [5]:

(, ) = =

Figura 2 - Processo (1) com = 0.5. Este coeficiente que obtido pela varivel num instante
relacionada com sigo mesma em , , nos permite medir
a relao de linearidade entre os dois instantes. A
autocorrelao com valores anteriores a tende a diminuir
conforme o aumenta e tende a zero em um nmero finito de
intervalos de tempo.
O valor o intervalo de tempo entre dois valores
considerados, tambm chamado de . Assim, a
autocorrelao de 1 ( = 1), a correlao entre valores
Figura 3- Processo (1) com = 0.9. que esto separados por um intervalo de tempo. Generalizando,
um processo () possui uma autocorrelao com valores de 3 a correlao entre as variveis determinadas tomando em
intervalos anteriores. considerao como ambas so relacionadas e dependentes de
Na Figura 4, apresentamos a relao entre o coeficiente de 1 e 2 [5].
autocorrelao e os valores de de um processo (1) [5]. Formalmente, podemos definir PACF como:
(, 3) =
(, 3| 1, 2)
(| 1, 2) ( 3| 1, 2)
A PACF de 1 ordem igual autocorrelao de Yt e Yt-1:

(, 1) = (, 1) = =

Note que para a PACF de 2 ordem ou maior, as varincias
no denominador so iguais quando a srie estacionria.
A funo de densidade espectral (power spectral density
Figura 4 - Correlograma de um (1) com = 0.8.
PSD) de um processo () dada por [6]:

Podemos observar que o valor do primeiro igual ao 2


valor de . Para valores negativos de , decresce at zero () =
|1 =1 2 |2
conforme o aumenta, porm, os sinais algbricos dos
valores alternam entre positivo e negativo, conforme mostra a Logo (0) e (1) so consecutivamente:
Figura 5 [5]: () = 2
2
2
() = 2 2
= 2
|1 1 | 1 + 1 21 cos 2

A Figura 6 apresenta o grfico da PSF para diferentes valores


de . A partir dele, podemos estimar o quo rpido ou lento so
as variaes de um sinal. Por exemplo, se = 0, as
componentes de frequncia do sinal so distribudas igualmente
por todas as frequncias, caracterstica de rudo branco. Para
prximo de 1, os maiores valores de potncia esto
concentrados nas baixas frequncias, indicando uma variao
lenta. Note tambm, que para um processo (2) com 1
positivo e 2 negativo, temos componentes peridicos [6].

Figura 5 - Correlograma de um (1) com = 0.8.

V. ESTABELECENDO A ORDEM DOS PROCESSOS


Para modelar corretamente um processo autorregressivo,
precisamos descobrir qual a melhor ordem para descrev-lo.
Isso nos permite observar os s que melhor determinam os
valores de .
Se assumirmos um processo (), podemos escolher medir
Figura 6 - PSD para diferentes valores de . (Fonte: desconhecida)
apenas a relao de com e filtrar a influncia dos valores
que se encontram entre os instantes determinados VI. DETERMINANDO A ORDEM DE UM PROCESSO AR
[1 , 2 , , 1 ]. Para isto, utilizamos a funo de
autocorrelao parcial (partial autocorrelation function Usemos como exemplo o valor de fechamento das aes da
PACF) [5]. Google entre o perodo de 7/2/2005 e 7/7/2005. O conjunto de
Em geral a PACF uma correlao condicional entre duas dados formado por um de 105 valores. Iremos analisar os
variveis pressupondo que sabemos e tomamos em conta os dados para identificar a ordem do processo. Na Figura 7, temos o
valores intermedirios entra duas variveis. valor das aes versus o tempo [2].
Por exemplo, considere uma regresso onde tem como
preditores 1 , 2 , 3 a autocorrelao parcial entre e
Analisando a ACF, Figura 9, percebemos uma diminuio dos
valores de autocorrelao conforme o aumenta e tendendo
a zero em um nmero finito de s, ou seja, uma das premissas
para utilizarmos o modelo AR.

Figura 7 - Grfico do preo de um lote de aes da Google entre 7/2/2005 e


7/7/2005.
Figura 10 - Autocorrelao parcial x .

Entre uma amostra e outra, a variao do valor muito Atravs da anlise dos grficos conseguimos encontrar o
pequena, sugerindo que um modelo autorregressivo poderia ser correspondente a ordem do processo AR, observando os valores
utilizado para interpretar o processo [2]. da ACF e PACF versus o . Quando plotamos os valores da
A seguir, podemos plotar uma relao dos valores das aes PACF versus o , o padro normalmente parece aleatrio,
com seu valor anterior (1 ): porm um valor alto de PACF em um em particular indica
o como uma possvel escolha para a ordem do processo [1]
[2].
Contudo, a PACF pode resultar em valores altos em s
aleatrios, em 22 digamos, contudo, processos (22) no
possuiriam muita coerncia, e podemos interpretar este valor
alto em um to distante como um evento onde o valor
encontrado se assemelha, ou igual, a valores mais recentes do
processo (1 , 2 ) [2].
Pela Figura 10, da PACF, podemos observar que intervalo mais
influente na previso do processo o imediatamente anterior ao
tempo atual, 1 . Assim o modelo autorregressivo de 1
ordem, (1), seria mais adequado do que (2), (3) ou
(), onde > 1. No apndice podemos observar os valores
numricos utilizados nos grficos das Figura 9 e Figura 10 [2].
Figura 8- Grfico do preo versus o preo anterior 1 .

Aparentemente, temos um padro linear, mostrando um alto VII. CONCLUSO


nvel de autocorrelao entre e 1. Buscamos no artigo demostrar as propriedades do modelo
Calculando a ACF e a PACF, podemos determinar a ordem autorregressivo e os requisitos necessrios para que sries
do processo e extrair caractersticas que nos permitam temporais possam ser descritas atravs desse modelo. Vimos a
confirmar se o modelo autorregressivo realmente pode ser importncia da estacionaridade em modelos autorregressivos de
aplicado nesse exemplo, Figura 9 e Figura 10. ordem e como o coeficiente de regresso tem um papel
fundamental na estacionaridade do processo.
Fornecemos as ferramentas matemticas para que as medidas
estatsticas pudessem ser obtidas e utilizadas para determinarem
a ordem e influncia de valores anteriores sobre nossa varivel
atual.
Modelos autorregressivos so teis quando analisamos
processos que possuem uma dependncia de seus valores
anteriores, como em previses climticas, modelagem de
rudos, e principalmente em econometria para modelar
variaes de preo.

Figura 9 - Grfico da autocorrelao x (correlograma).


REFERNCIAS
[1] D. J. Hamillton. Time Series Analysis. Princeton University Press, New
Jersey, 1954, p. 43 59.
[2] Eberly College of Science. STAT 501 Regression Methods: 14.1
Autoregressive Models. Disponvel em:
< https://onlinecourses.science.psu.edu/stat501/node/358 >
[3] Eberly College of Science. STAT 510 Applied Time Series Analysis: 1.1
Overview of Time Series Characteristics. Disponvel em:
< https://onlinecourses.science.psu.edu/stat510/node/47 >
[4] Eberly College of Science. STAT 510 Applied Time Series Analysis: 1.2
Sample ACF and Properties of AR(1) Model. Disponvel em:
<https://onlinecourses.science.psu.edu/stat510/node/60 >
[5] Eberly College of Science. STAT 510 Applied Time Series Analysis: 2.2
Partial Autocorrelation Function (PACF). Disponvel em:
< https://onlinecourses.science.psu.edu/stat510/node/62 >
[6] J. Huang. Study of Autoregressive (AR) Spectrum Estimation Algorithm
for Vibration Signals of Industrial Steam Turbine. International Journal of
Control and Automation Vol.7, No.8 (2014), pp. 349-362 Disponvel em:
< http://dx.doi.org/10.14257/ijca.2014.7.8.32 >
[7] K. S. Shammugan; M. A. Breipohl. Random Signals: Detection,
estimations and data analysis. John Wiley & Sons, New York, 1943, p.
250 265.

APNDICE
Tabela 1 - Valores de Autocorrelao e
Autocorrelao parcial dos grficos da Figura 9 e
Figura 10.