ECONOMETRIA DE

SRIES TEMPORAIS

AULA 4 O MODELO ARMA

Prof, Ricardo Chaves Lima

1
Modelos de Sries Temporais Univariados

Dois Caso Especiais

I. O Modelo Rudo Branco (white noise):
Uma srie de tempo (t) um processo rudo branco se cada
valor da sequncia tiver mdia zero, varincia constante e for
no correlacionado com os demais valores (Enders, 2004);
Seja o modelo,
yt = t

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

II. O Modelo de Passeio Aleatrio (Random Walk):

O modelo de passeio aleatrio no estacionrio;
O modelo no tem termo constante e no se move de forma
persistente em uma direo definida. Pelo Contrrio, move-
se aleatoriamente levado pelos choques estocsticos (t,)
(Pankratz, 1983);
comumente usado para previso de valores de ndices e
aes em mercados financeiros.
yt = yt-1 + t,
para = 1

3
Modelos de Sries Temporais Univariados

Os Modelos Autoregressivos AR(p)

Para 0 = 0

yt = 1yt-1 + 2yt-2 + ... + pyt-p + t

yt - 1yt-1 - 2yt-2 - ... - pyt-p = t
(1 - 1L - 2L2 - ... pLp) yt = t
Fazendo (L) = (1 - 1L - 2L2 - ... pLp)

(L)yt = t
yt = [1/(L)] t

4
Modelos de Sries Temporais Univariados

Os Modelos de Mdia Mvel MA(q)

yt = t - 1t-1 - 2t-2 - ... qt-q

yt = (1 - 1L - 2L2 - ... qLq) t

Fazendo (L) = (1 - 1L - 2L2 - ... pLp)

yt = (L)t

5
Modelos de Sries Temporais Univariados

Os Modelos ARMA(p,q)

yt = 1yt-1 + ... + pyt-p + t - 1t-1 - ... qt-q

1yt-1 - ... - pyt-p - yt = t - 1t-1 - ... qt-q

(L)yt = (L)t
yt = [(L)/(L)]t

Note: os modelos ARMA(p,q) so estacionrios e inversveis

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

Diagnstico AIC, SBC, R2-ajustado, t, Q

Previso ex-post, escolher o

Previso
melhor modelo

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);

AIC = T ln (soma do quadrado dos resduos) + 2n

SBC = T ln (soma do quadrado dos resduos) + n ln (T)

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:

Para s autocorrelaes, p termos autorregressivos e q termos de mdia

mvel, a estatstica Q tem distribuio qui-quadrado com s p q
graus de liberdades (ou s - p q 1 se o modelo tiver intercepto). A
hiptese H0 de resduos no autocorrelacionados.

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:

yt+1 =0 + 1yt + t+1

Conhecendo os coeficientes 0 e 1 pode-se prever yt+1
condicional informao disponvel at o perodo t;

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

Para 2 passos frente:

0(1 + 1) + 12yt 1,96e (1 + 12)1/2

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:

Onde k o horizonte de previso ex post, geralmente entre 4 e 6.

17