Escolar Documentos
Profissional Documentos
Cultura Documentos
1. Tendncia: = +
2. Sazonal: = ( );
3. Aleatrio: = + 1 +
Hiptese Random Walk: o modelo de passeio aleatrio sugere que as modificaes dirias nos
preos das aes devem ter um valor esperado zero;
Equao Estrutural: expressa o valor da varivel endgena como sendo dependente de outra
varivel endgena no mesmo perodo de tempo. Ex.: PIB:
= +
Equao na forma reduzida: expressa o valor da varivel endgena como funo de seu valor
defasado, o valor defasado de outras variveis endgenas, alm de outras variveis exgenas;
Modelo univariado: o valor da varivel endgena expresso apenas em funo do seu valor
defasado, e do termo distrbio.
Equaes em Diferenas:
Primeira diferena: = 1
+1 = +1
1 = 1 2
Segunda diferena: 2 = ( 1 ) (1 2 )
2 +1 = (+1 ) ( 1 )
2 1 = (1 2 ) (2 3 )
= 0 + +
=1
Onde o termo pode ser uma funo do tempo, da varivel endgena defasada, ou distrbios.
Atravs de iterao possvel obter que a soluo para a equao diferencial acima dada por:
+
= 0 1 + 1 + 1++1 + 1
=1 =1
Estacionariedade em primeira ordem
Portanto, avaliando a resposta de uma equao diferencial, pode ser observado que a
estacionariedade da equao est diretamente relacionada ao termo , de forma que, no caso
de uma equao de primeira ordem,
No caso das equaes diferenciais de segunda ordem, devem ser avaliadas as razes da equao
caracterstica. Exemplificando, seja a equao diferencial 1 1 2 2 = 0. Uma
soluo homognea para essa equao : = , portanto:
1 1 2 2 = 0
Dividindo a equao por 2 , chegaremos a equao caracterstica 2 1 2 = 0. As
razes da equao caracterstica indicaro a estacionariedade da equao diferencial, de forma
que:
Se > 0: equao ter duas solues reais. Se uma das razes for maior que 1, a
equao no ser estacionria;
o Soluo homognea do problema ser dado por: = 1 (1 ) + 2 (2 )
Se = 0: equao ter apenas uma soluo real. Se | | < 2, a soluo ser
estacionria.
o Soluo homognea do problema ser dado por: = 1 ( 21 ) + 2 ( 21 )
Se < 0: equao ter duas solues imaginrias. Se |2 | = 1, a soluo ser
estacionria. A soluo ser estacionria se |2 | < 1, e ser explosiva se |2 | > 1.
o Soluo homognea do problema ser dado por: = 1 cos( + 2 ),
onde:
1 , 2 = constantes arbitrrias;
= 21/2
1
cos()= )1/2
[2(2 ]
Operador defasagem: definido como um operador linear tal que, para qualquer valor de :
o [( )( )] = [( )( )] =
Onde , 2 , so constantes.
Rudo branco
Um dos primeiros processos a ser analisado o rudo branco. O rudo branco um processo
descrito pela equao:
=
Cujo termo apresenta as seguintes propriedades:
A mdia mvel uma variao particular do rudo branco, e o processo gerador dado por:
=
=0
O processo acima no ser um rudo branco se dois, ou mais valores, de forem diferentes de
zero. Pode ser visto que a mdia mvel ter as seguintes propriedades:
Mdia zero e invariante no tempo:
o [ ] = [ ] = [1 1 ] = = [ ] = 0
o [ ] = [ ] = [1 1 ] = = [ ] = 0
Varincia finita e invariante no tempo:
o [( )2 ] = [(0 + 1 1 + + )(0 + 1 1 + + )]
Ao fazer a multiplicao dos termos acima, e aplicar a esperana, todos os
termos ( ) = 0 0, ento:
[( )2 ] = 2 [1 + (1 )2 + (2 )2 + ]
o [( )2 ] = [(0 + 1 1 + + )(0 + 1 1 + + )]
Ao fazer a multiplicao dos termos acima, e aplicar a esperana, todos os
termos ( ) = 0 0, ento:
[( )2 ] = 2 [1 + (1 )2 + (2 )2 + ]
Portanto, a condio para que um processo MA(q) seja estacionrio que os somatrios [1 +
(1 )2 + (2 )2 + ] e [( + 1 +1 + 2 +2 + ], sejam convergentes, o que ser sempre
verdade em processos de ordem infinita. Ou seja, um processo MA(q) ser estacionrio em
praticamente todos os casos.
Estacionariedade fraca;
Memria dura q perodos;
Valores da autocorrelao so zero para (t > q);
Autoregressivo AR(p)
= 0 + +
=1
Onde das propriedades de equaes diferenciais sabido que, caso as razes da soluo
homognea estejam dentro do crculo unitrio, a soluo particular da equao acima ser
dada por:
0
= +
[1 =1 ] =0
Mdia finita e invariante no tempo:
0
o [ ] = [ ] =
[1=1 ]
Varincia finita e invariante no tempo:
o [( )2 ] = [( + 1 1 + + )( + 1 1 + + )]
Ao fazer a multiplicao dos termos acima, e aplicar a esperana, todos os
termos ( ) = 0 0, ento:
[( )2 ] = 2 [1 + (1 )2 + (2 )2 + ]
o [( )2 ] = [( + 1 1 + + )( + 1 1 + + )]
Ao fazer a multiplicao dos termos acima, e aplicar a esperana, todos os
termos ( ) = 0 0, ento:
[( )2 ] = 2 [1 + (1 )2 + (2 )2 + ]
Estacionariedade fraca;
Memria dura infinitamente, porm, a correlao decai assintoticamente para zero;
Processo integrado
= 1 +
1 =
=
Outros processos so a combinaes dos processos descritos acima:
ARMA (p,q)
= 1 + 0 + 1 1
Neste caso:
Autocorrelao total
Processo AR(1): = + +
2
0 = ( , ) =
[1 (1 )2 ]
2 (1 )
= ( , ) =
[1 (1 )2 ]
=
0
Portanto: 0 = 1, 1 = 11 , 2 = 1 2 , , = 1 .
Processo AR (2): = + +
Aplicando o mtodo de Yule-Walker:
[ ] = 1 1 + 2 2 + [ ]
[ 1 ] = 1 1 1 + 2 2 1 + [ 1 ]
[ ] = 1 1 + 2 2 + [ ]
Por definio as autocovarincias de um processo estacionrio so tais que:
[ ]= [ ] = .
[ ] = 2 e [ ] = 0
0 = [ ] = ( ) = 1 1 + 2 2 + 2
1 = [ 1 ] = (1 ) = 1 0 + 2 1
= ( ) = 1 1 + 2 2
Portanto:
0 = 1
1 = 1 0 + 2 1
2 = 1 1 + 2 0
= 1 1 + 2 2
Processo MA(1): = +
0 = [ ] = [( + 1 )( + 1 )] = (1 + 2 ) 2
1 = [ 1 ] = [( + 1 )(1 + 2 )] = 2
= [ ] = [( + )( + 1 )] = 0
Como por definio as autocovarincias de um processo estacionrio so tais que:
[ ]= [ ] = .
[ ] = 2 e [ ] = 0
Portanto, num processo MA(1) haver apenas um valor no correlograma, e os demais sero
zero. No caso de um MA(2), haver dois valores no correlograma, e os demais sero zero.
Consequentemente, no caso de um MA(q), haver q valores no correlograma, e os demais
sero zero.
Autocorrelao parcial
Estimao do modelo
Para definir o modelo correto a ser utilizado (AR, MA, ARMA), algumas anlises devem ser feitas
nos dados:
Anlise Grfica: observar o grfico e avaliar qual modelo terico que melhor se
aproxima do grfico dos valores amostrais;
Anlise do Correlograma:
( ) = 1
(1 + 2 2 ) , > 1
=1
o Hiptese nula dada por: 0 : 1 = 0
o Comparar o correlograma amostral e verificar com qual modelo terico ele mais
se assemelha;
o Caso dois modelos se assemelhem, faz-se a regresso para obter as anlises
estatsticas dos dois modelos, e observar qual apresenta os melhores critrios
de seleo (e quais apresentam estatsticas t significativas para os regressores
calculados;
Akaike (AIC): critrio de seleo geralmente utilizado para srie com
pouca amostra, uma vez que, comparado ao modelo Schawrtz, penaliza
menos a incluso de mais dados;
= ln() + 2
Shawrtz (SBC): critrio de seleo geralmente utilizado para sries com
elevado nmero de amostras, haja visto que penaliza de forma mais
severa a incluso de mais dados, e por isso considerado um modelo
mais com mais parcimnia que o AIC.
= ln() + ln()
= ( + + );
=
Casos os modelos AIC e SBC selecionem modelos diferentes, devero ser
avaliadas as estatsticas de teste calculada para o modelo AIC, haja visto que
para um grande nmero de amostras o modelo AIC pode acabar selecionador
um excesso de parmetros.
( ) = 2
=1
2
( ) = ( + 2)
( )
=1
2
~ 1
O modelo de seleo proposto por Box-Jenkins leva em considerao dois fatores principais:
1. Nem sempre o modelo com maior nmero de variveis explicativas ser o mais
adequado, haja visto que o aumento na quantidade dessas variveis pode representar
um custo computacional desnecessrio;
2. A ideia no obter exatamente o modelo gerador dos dados, mas sim um modelo
aproximado, que represente com um bom grau de aproximao, o processo gerador
dos dados;
Modelos de Previso
Uma das principais aplicaes de um modelo ARMA (p,q) a possibilidade de fazer previses
com relao varivel explicada. Tomando como exemplo um modelo AR(1): = 0 +
1 1 + , se atualizarmos o valor em um perodo (considerando que os valores de 0 e 1
sejam conhecidos, teremos que:
+1 = 0 + 1 + +1
De forma que o valor esperado de +1 ser:
[+1 ] = 0 + 1
Atualizando mais um perodo, teremos que:
[+2 ] = 0 + 1 [+1 ]
[+2 ] = 0 + 1 (0 + 1 )
[+2 ] = 0 + 1 0 + 1 2
Portanto, fazendo um processo interativo a frente, teremos que num perodo j:
1
[+ ] = 0 (1 + 1 + 1 2 + + 1 ) + 1
A qual a funo de previso, que claramente perde qualidade quanto maior for o valor de j. E
pode ser observado que, quando , o valor de [+ ] tender a uma mdia incondicional.
Apesar do valor esperado do erro no modelo de previso ser zero, a sua varincia ser diferente
de zero, e por esse motivo importante levar em considerao o valor previsto do erro a fim de
construir um intervalor de confiana + . Tomando como exemplo um modelo AR(1), o valor
de (1) = +1 +1. Da mesma forma, no caso de um AR(2), o valor de e(2) ser:
(2) = +2 +2
(2) = 0 + 1 +1 + +2 0 1 [+1 ]
(2) = 1 (+1 [+1 ]) + +2 = 1 +1 + +2
De forma geral, o valor previsto do erro em j ser dado por:
() = + + 1 ++1 + 1 2 ++2 + + 1 1 +1
(1): 0 + 1 1.96
Basicamente os modelos de previso sero avaliados com base no MPSE: Mean Square Prevision
Erro, o qual como a prxima nomenclatura descreve, ser a mdia do erro quadrado da previso:
1
= 2
=1
Pode ser calculado uma estatstica F para avaliar se dois modelos de previso so iguais:
1 2
=1 1
=
1 2
=1 2
Se F = 1, os modelos de previso so bem parecidos, se F >> 1, o MPSE do modelo 1 maior que
do modelo 2, logo, o modelo 2 preferencial ao modelo 1.
2 2
= = (1 2 )
2 2
Se os dois modelos so iguais, ento (1 ) = (2 )
Sazonalidade
(4): = 4 4 +
(4): = + 4 4
Duas formas podem ser utilizadas para capturar o efeito sazonal:
: = 1 + + 1 1 + 4 4
: = 1 1 + + 1 1 + 4 4 + 1 4 5
importante observar tambm a notao correta a ser utilizada nos casos de extrair diferenas
sazonais.
o Para extrair uma diferena de ordem d-sima de uma srie, deve ser utilizada a
notao: . Ex.: 2 = ( 1 ) = ( 1 ) (1 2 );
o Porm, para indicar que deve ser extrada a s-sima sazonalidade de uma srie, deve
ser utilizada a notao . Ex.: 12 = ( 12 );
o Caso queira extrair a segunda diferena sazonal de uma srie mensal:
= ( 12 ) = ( 12 ) (12 24 );
I. Eliminar a sazonalidade dos dados incluindo a varivel sazonal. Caso o ACF ainda
apresente um padro no estacionrio, deve-se retirar a primeira diferena dos dados.
II. Testar alguns modelos, aplicando a sazonalidade multiplicativa e aditiva, e observar o
que apresenta os melhores critrios de seleo;
Portanto, a ideia de analisar se houver alguma mudana estrutural na srie para avaliar se os
estimadores calculados podem ser mantidos durante toda o perodo analisado.
Teste Chow
O teste de Chow aplicado quando deseja-se avaliar se houve alguma mudana estrutural em
um ponto j determinado.
Clculo Recursivo
O teste CUMSUM, ou seja, a soma acumulada dos erros ser um indicativo se houve uma
mudana estrutural.
O modelo de espao de estados uma forma de avaliar os componentes que formam o processo
gerador, a partir dos seus valores observados da srie. Deforma geral, as sries temporais so
formadas por:
Exemplos:
A vantagem do modelo de nvel local permitir que o componente do nvel varie ao longo do
tempo, diferente dos modelos determinsticos que fixam o valor inicial para toda a srie.
Entretanto, diferente do modelo determinstico onde possvel calcular o valor inicial para o
nvel de forma analtica, no caso dos modelos de espao de estado necessrio utilizar mtodos
computacionais, que calcularo o valor dessa varivel de modo iterativo.
E o vetor de estados = .
O modelo MTL, tambm conhecido como Modelo Linear Dinmico (MDL) de segunda ordem,
semelhante ao MNL, porm, permite tambm que o nvel apresente um crescimento (ou
decrescimento) de forma gradual e permanente ao longo do tempo, ou seja, permite que a srie
apresente uma tendncia.
o Modelo Determinstico:
= 1 + 1 +
o Modelo Aleatrio:
= +
= 1 + 1 + 1
= 1 +
Neste caso os valores do nvel e de tendncia variam com o tempo. Quando a
inclinao da curva de nvel varia com o tempo, o termo passa a ser denominado
drift.
Nos modelos de espao de estado, se a varincia do distrbio for prxima zero, isso
um indicativo de que tal varivel pode ser considerada como determinstica, ao
invs de estocstica, permitindo que o modelo seja estimado com mais parcimnia.
Uma outra componente que pode ser adicionada ao modelo de nvel a sazonalidade. Como j
fora apresentado anteriormente, a sazonalidade um padro de comportamento que a srie
aparenta obedecer durante sucessivos intervalos de tempo, resultantes de oscilaes
peridicas. Portanto, o modelo aleatrio considerando sazonalidade pode ser descrito como
sendo:
= +
= 1 + 1 + 1
= 1 + 1
= 1 2 3 +
2, = 1,1
3, = 2,1
Em resumo, o modelo estrutural bsico das sries de tempo pode ser descrito como sendo a
soma das componentes de nvel, tendncia e sazonalidade.
= + +
Onde:
= 1 + 1 +
= 1 +
= 1 2 3 +
Filtros de Kalman
Os modelos vistos para anlises utilizando os mtodos de Box-Jenkins tambm podem ser
escritos em forma de espao de estados. Apesar de ambos mtodos serem amplamente
utilizados em sries de tempo, suas caractersticas e aplicaes so um pouco diferentes.
O mtodo de Box-Jenkins necessita que os dados sejam estacionrios, e por esse motivo, muitas
vezes os dados devem ser previamente trabalhados a fim de gerar a estacionariedade. Por esse
motivo o modelo de Box-Jenkins mais voltado anlise da dinmica de curto-prazo, e por
consequncia, mais aplicado modelos de previso.
J o modelo de Espao de Estados consegue tratar dos dados sem que haja necessidade da srie
ser estacionria, alm de permitir uma anlise simultnea e separada dos componentes de uma
srie de tempo (ciclos, sazonalidades, tendncia, choques). Uma das vantagens de ser possvel
avaliar separadamente os componentes da srie temporal, a possibilidade de avaliar quebras
estruturais e instabilidade dos processos geradores de dados.
De qualquer forma, modelos ARIMA podem ser escritos como modelos de Espao de Estados,
conforme os exemplos a seguir:
Modelo em Nvel Local e ARIMA (0,1,1)
= +
= 1 +
Se extrairmos a primeira diferena da equao observada:
= ( 1 ) = ( + ) (1 + 1 )
= ( 1 ) = ( 1 ) + ( 1 )
= ( 1 ) = + 1
= 1 + + 1
Portanto, o modelo em nvel equivalente ao modelo ARIMA (0,1,1).
= +
= 1 + 1 +
= 1 +
Se extrairmos a segunda diferena da equao observada:
2 = ( 1 ) (1 2 ) = ( + ) (1 + 1 ) (1 + 1 ) + (2 + 2 )
2 = ( 1 ) + ( 21 2 ) (1 2 )
2 = (1 + 1 ) + ( 21 2 ) (2 + 2 )
2 = (1 2 ) + ( 21 2 ) + 1 2 )
2 = 2 + ( 21 2 ) + (1 2 )
Portanto, o modelo em nvel local com tendncia equivalente ao modelo ARIMA (0,2,2).
Uma equao linear estocstica pode ser escrita como sendo formada por trs componentes:
= + +
Com relao tendncia, os processos podem ser do tipo Trend Stationary ou Difference
Stationary:
No caso da previso, os modelos Randon Walk apresentam um valor fixo, tal que:
+ = .
Eliminar a Tendncia
Existem duas formas da tendncia de uma srie de tempo ser eliminada, e o processo aplicado
depende se a srie do tipo TS ou DS.
Detrending: se a srie for do tipo TS, ou seja, apresentar uma tendncia determinstica,
o processo para eliminar a tendncia consiste em:
I. Fazer a regresso da srie: = + +
II. E com os resduos da srie fazer novamente a regresso dos valores de
com um polinmio de tendncia: = + + + + + .
A quantidade de termos do polinmio deve ser avaliado com base em testes
t, F e critrios de seleo;
Differencing: caso a srie seja do tipo DS, e possua um ou mais razes unitrias, o
processo de eliminao da tendncia consiste em fazer a diferenciao da srie n vezes,
onde n a quantidade de razes unitrias dessa srie.
= ( 1)1 +
(
Fazendo 1) = , temos que: = 1 + . A ideia do teste de DF verificar
se = 0, haja visto que, se = 0 => = 1, e consequentemente, o sistema no ser
estacionrio.
Obs.: necessrio tirar a primeira diferena pois no sabido previamente se o
processo ou no estacionrio, de forma que tirar a primeira diferena permite que os
testes e inferncias possam ser realizados.
II. Uma vez extrado a primeira diferena, calcula-se o valor de , e compara o valor
calculado com a tabela elaborada por DF. Lembrando que as hipteses do teste de DF
so:
0 : = 0
1 : < 0
Obs.: os testes de DF tambm so vlidos para processos com drift ou tendncia determinsticas:
= 1 +
= 0 + 1 +
= 0 + 2 + 1 +
Porm, como o valor das estatsticas de teste so diferentes para cada caso, necessrio avaliar
a tabela de DF, onde estaro descritos os t crticos para cada situao:
Neste caso, alm dos valores de , , tambm sero calculadas as seguintes estatsticas de
teste F para avaliar a significncia conjunta dos regressores:
0 :
1 :