Escolar Documentos
Profissional Documentos
Cultura Documentos
SRIES TEMPORAIS
1
Modelos de Sries Temporais Univariados
Formalmente temos:
E(t) = E(t-1) = ... = 0
E(t 2) = E(t-12) = ... = 2
E(tt-s) = E(t-jt-sj-) = 0 para todo j e s
2
Modelos de Sries Temporais Univariados
3
Modelos de Sries Temporais Univariados
(L)yt = t
yt = [1/(L)] t
4
Modelos de Sries Temporais Univariados
yt = (L)t
5
Modelos de Sries Temporais Univariados
Os Modelos ARMA(p,q)
(L)yt = (L)t
yt = [(L)/(L)]t
6
Modelos de Sries Temporais Univariados
Simulao de um Modelos ARMA(p,q)
# ARMA simulation
set.seed(123)
armasim<- arima.sim(n = 100, list(ar = c(0.88, -0.49),
ma = c(-0.23, 0.25)),sd = sqrt(2)) + 10
armasim
plot(armasim)
Modelo Simulado
yt = 10 + 0.88yt-1 0.49yt-2 0.23t-1 + 0.25t-2 + t
7
Modelos de Sries Temporais Univariados
O Mtodo de Box-Jenkins
Identificao (p, d, q)
Estimao software
8
Modelos de Sries Temporais Univariados
O Mtodo de BJ Identificao
A escolha de d:
A grau de diferenciao d, da srie temporal, o primeiro
parmetro a ser escolhido;
Assumindo que o modelo ARMA(p,q) estacionrio, d = 0.
A escolha de p e q
Observar a FAC e a FACP
Formato da FAC/FACP Tipo de Modelo
FAC com Queda exponencial; Modelo AR(p), usar a FACP para decidir a ordem
do modelo;
FAC Alternando valores Modelo AR(p), usar a FACP para decidir a ordem
positivos e negativos; do modelo;
FAC com um ou mais picos e MA(q), observe os picos da FAC para decidir a
o resto zero; ordem;
Queda logo aps poucas ARMA(p,q)
defasagens.
9
Modelos de Sries Temporais Univariados
O Mtodo de BJ Estimao e Diagnstico
Os Critrios AIC e SBC
Observar o ajuste do modelo pelos critrios AIC (Akaike
Information Criterion) and SBC (Schwartz Bayesian
Criterion);
O aumento de defasagens de AR e MA que no contribuam
para uma melhor previso, deve implicar em um crescimento
da soma do quadrado dos erros (SQE);
Onde,
n = nmero de parmetros estimados (p + q + possvel termo constante)
T = nmero de observaes utilizveis
10
Modelos de Sries Temporais Univariados
O Mtodo de BJ Estimao e Diagnstico
Os Critrios AIC e SBC (continuando)
Note que modelos com melhores ajustes mostram menores
valores de AIC e SBC, inclusive do lado positivo da reta
numrica. Ou seja, AIC e SBC aproximam-se de menos
infinito quanto melhor o ajuste do modelo;
Considerando que ln(T) ser sempre maior do que 2, o custo
marginal de adicionar um regressor (aumentar n) maior
para SBC.
Deve-se ter sempre em mente o critrio da parcimnia. Ou
seja, para modelos com mesmo AIC e SBC prefere-se
sempre o menor.
11
Modelos de Sries Temporais Univariados
O Mtodo de BJ Estimao e Diagnstico
O R-quadrado ajustado e as estatsticas t
No modelos ARMA deve-se observar os valores do R-
quadrado ajustado e significncia dos parmetros;
A Estatstica Q (Ljung-Box-Pierce) para os erros
A regra geral que modelos com melhor ajuste e poder de
previso tm erros no correlacionados no tempo. Assim, a
estatstica Q usada para examinar autocorrelao
conjunta para os termos de erro do modelo:
12
Modelos de Sries Temporais Univariados
O Mtodo de BJ Previso
Propriedades da previso
A maior importncia dos modelos do tipo ARMA a
realizao de previso. Considere um processo do tipo
AR(1):
yt =0 + 1yt-1 + t
Atualizando um perodo a frente, temos:
Etyt+1 =0 + 1yt
13
Modelos de Sries Temporais Univariados
O Mtodo de BJ Previso
Propriedades da previso
Para 2 perodos frente temos:
Etyt+2 = 0 + 1Etyt+1
Etyt+2 = 0 + 1(0 + 1yt )
Portanto, a previso no tempo (t+1) utilizada para prever
no tempo (t+2), e assim sucessivamente. Assim, no tempo
futuro (t+j), a previso :
Etyt+j+1 = 0 + 1Etyt+j
possvel, portanto, obter uma sequncia completa de
previses (funo de previso) j passos frente, da
seguinte forma:
Etyt+j+1 = 0(1+ 1 + 12 + ... + 1j-1) + 1jyt
14
Modelos de Sries Temporais Univariados
O Mtodo de BJ Previso
Propriedades da previso
Observe que, a medida em que avanamos para o futuro a
qualidade da previso reduzida por causa do aumento do
erro de previso;
Erro de Previso - para a previso j passos frente, o
erro de previso :
et(j) yt+j - Etyt+j
A varincia do erro de previso :
Var[et(j)] = p2 = e2(1+12 + 14 + ...+12(j-1) ]
onde e2 a varincia do erro do modelo.
15
() Idntico a
Modelos de Sries Temporais Univariados
O Mtodo de BJ Previso
Propriedades da previso
Assim, para previso 1 passo frente, a varincia do erro
de previso 2, para 2 passos frente temos 2(1+12 ),
a assim sucessivamente;
O intervalo de confiana de previso de 95% para 1
passos frente :
0 + 1yt 1,96e
16
Modelos de Sries Temporais Univariados
O Mtodo de BJ Previso
Avaliao da Previso (Previso ex-post)
A previso ex post realizada em um horizonte de tempo
passado sobre o qual tem-se conhecimento dos valores da
srie. Compara-se, ento, os valores previstos contra os
valores ocorridos com o objetivo de medir a performance
do modelo. A medida comumente utilizada o Erro
Quadrado Mdio da Previso (EQM), que calculado da
seguinte forma:
17