Scribd Logo
Fazer o upload

Bem-vindo(a) ao Scribd!

  • Livro Modelos para Previsao de Series Temporais MORETTIN PDF

    Enviado por

    Deborahrabello
    4 visualizações372 páginas

    Título original

    Livro modelos para previsao de series temporais MORETTIN.pdf

    Direitos autorais

    © © All Rights Reserved

    Formatos disponíveis

    PDF ou leia online no Scribd

    Você considera este documento útil?

    Este conteúdo é inapropriado?

    Denunciar este documento

    Direitos autorais:

    © All Rights Reserved
    Baixe no formato PDF ou leia online no Scribd
    Sinalizar o conteúdo como inadequado
    4 visualizações372 páginas

    Livro Modelos para Previsao de Series Temporais MORETTIN PDF

    Enviado por

    Deborahrabello

    Direitos autorais:

    © All Rights Reserved
    Baixe no formato PDF ou leia online no Scribd
    Sinalizar o conteúdo como inadequado
    de 372
    MODELOS PARA PREVISAO DE SERIES TEMPORAIS Pedro Alberto Morettin Clélia Maria de Castro Toloi COPYRIGHT © - 1981 - by PEDRO ALBERTO MORETTIN . CLELIA MARIA DE CASTRO TOLOL Nenhuma parte deste livro pode ser reproduzida, por qualquer processo, sem a permiss&o dos autores. INSTITUTO DE MATEMATICA PURA B APLICADA Rua Luiz de Camdes, 68 - 20.060 - Rio de Janeiro’- RJ CONTEODO D0 VOLUME 1 PREFACIO. © ep eee ee ee ee eee CAP.1 - PRELIMINARES. . . . 1.9 - Problemas . . L 2 3 4 - Estacionariedade. . . s 6 7 - Consideragoes Gerais. . . . -Notagao..... CAP.2 — MODELOS PARA SERIES TEMPORAIS . . 2.1 - Introdugao. » 2 ee Processos EstocAsticos. . Especificagao de um Processo Processes Estacionarios . . . Tipos de Modelos... .... Problemas.. 1... PARTE 1 ~ MODELOS DE DECOMPOSIGAO: COMPONENTES NAO OBSERVAVEIS. CAP.3 - TENDENCIAS, ©. 3. see eee 2.2 - PNRD aa ko B.l- 2 3- 4 5 Introdugao. . Tend@ncia Polinomial. Suavizagdo. . . . . Diferengas. « Testes de ‘endéncias. 3.6 - Problemas . . . CAP.4 - SAZONALIDADE. . . . 4,1 = Introdugio. . ee ee 2 3- Ae 5 6 7 Problemas . . ~ Sazonalidade Deterministica ~ Modelos e Procedimentos de Previsao ~ Transformagoes. . . . . . - ~ Algumas Séries Temporais Reais. . . +8 - Objetivo e Roteiro. .... ~ Objetivos da Andlise de Séries Temporais. Estoc&stico Método de Sazonalidade Estocastica — Método de Médias Moveis. Modelo com Componentes Deterministicas e Estocasticas Testes para Sazonalidade Deterministica . PARTE 2 ~ MODELOS DE ALISAMENTO EXPONENGIAL . . CAP.5 - MODELOS PARA SERIES LOCALMENTE CONSTANTES 5.1 ~ Médias Maveis Simples (MS)... . 5.1.1 - Procedimento,. 2... + ~ Comentarios Finais..- -. 1. eee Regressao CAP.6 ~ PARTE 3 CAP.8 — 5.2 5.3 - 5.3 - MODELOS PARA SERIES QUE 5.1.2 - Previsdo. pe ee eee ee ee 5.1.3 ~ Determinagao der... 2.2... 5.1.4 - Vantagens e desvantagens do método. So1.5 - Exemplo. se. ee eee eee Alisamento Exponencial Simples (AES)... . 5.2.1 - Procedimento. » 1 ee ee ee 5.2.2 - Previsao. see ee ee ee ee 5.2.3 - Determinagao da constantea... . 5.2.4 - Vantagens e-desvantagens do AES . . 5.2.5 Exemplo. see ee ee ee eee eee Alisamento Exponencial Adaptativo de Trigg e Leach. 5.3.1 = Procedimento. .. 2... oe 5.3.2 - Previsdow se ee ee : 5.3, : 5.3.4 = Exemplo. . 1... Problemass- see. eee 3 ~ Vantagens e desvantagens. . APRESENTAM TENDENCIA, 6.1 - Alisamento Exponencial Linear de Brown (AELB) 6.2 - 6.3 ~ 6.4 - 6.1.1 - Procedimento. ... + 6.1.2 - Prevision , ee 6.1.3 - Determinagao da constante a. . 6.1.4 - Vantagens e desvantagens.". . 6.1.5 -Exemplo. see. ee ee ee Alisamento Exponencial Biparamétrico de 6.2.1 ~ Procedimento.. 2... 0... 6.2.2 - Previsto.. 1. ee ee 6.2.3 - Determinac&o das constantes de alisamento 6.2.4 - Vantagens e desvantagens..... 2... 6.2.5 ~ Exemplo. ses eee eee Alisamento Exponencial Quadratico 6.3.1 - Procedimento. . . 6.3.2 - Previsto. . . . . 6.3.3 - Exemplo... . Problemas ss... 7. 1s MODELOS PARA SERIES SAZONAIS. . . . 7,1 ~ Alisamento Exponencial Sazonal de 7.3 ~ 7.1.1 - Procedimento. . 1. . 7.1.2 - Previsto. .. 1... Holt. de Brown (AEQB) . Holt-Winters (HW) 7.1.3 - Vantagens e desvantagens. 2... 2... PeL.4 ~ Bxemplo se ve ee ee ee ee 7.2 - Alisamento Exponencial Geral (Método de 7.2.6 - Exemplo. 2... Problemas » es se. se ee ~ MODELOS DE AUTO-REGRESSAO . . . . MODELOS DE REGRESSAO, ... ~~... B.1- Modelo Geral, .... ee ee Brown) (AEG). 7.2.1 - Procedimento. . . see 7.2.2 ~ Estimagao dos coeficientes. . . 7.2.3 - Previsao. see ee ee ee eee 7.2.4 - Vantagens ¢ desvantagens. . . . . 7.2.5 - Determinagdo do fator de desconto 94 96 97 97 100 100 100 103 103 104 105 105 106 107 107 110 113 113 ws 114 116 116 116 118 118 119 120 120 120 122 122 123 123 126 129 129 129 131 133 134 135 135 136 240 143 144 1s 148 151 152 152 -we- 8.2 - Estimagio do Modelo, 6. ee ee ee ee 8,3 - Testes_de Hipdteses e Intervalos de Confianga .. . 8.4 -Previsdo ee ee ee eee 8.5 - Erros Auto~ correlacionados.. 6. 1 eee ee eee 8.6 - Teste para Correlacao Serial em Modelos Auto-regres~ sivos. . errr ran ar er nan nan anen 8.7 - Regressac “Stepwise”. 2 TDI! 8.B-Exemplos ss eee ee ee tee lle 8.9= Problems... 1... ee. ete ele CAP. 9 - FILTRAGEM ADAPTATIVA . ee. ee ee ee ee 9,1 - Procedimento ss. epee ee ee ee 9.2 Previsto. ee ee ee eee 9.3 - Vantagens ¢ Desvantagens... 1.1 t le 9.4 - Determinagao Inicial.dos Pesos...) te 9.5 - Atualizagao dos Pesos... see le 9.6 - Algumas Criticas Feitas por Diversos Autores... . 9.7 - aplicagdes do Método... ee. ee ee ee 9.8- Exel... eee ee ee le 9.9 - Problems... eee ee ee eee PARTE 4 - MODELOS DE BOX & JENKINS... .... 0.04 CAP.10 - MODELOS ARMA. ee ee ee ee ee 10.1 - 10.2 - 10.3 - 10.4 = 10,5 - 10.6 - 10.7 - Introdugio. . . Condigdes de Estacionariedade @ Invertibilidade Modelos Auto-regressivos. . . Modelos de Médias Moveis. . Modelos Mistos: Auto-regressivos-Médias Foungao de Auto-correlagao Parcial . . . Problems ss eee ee ee ee CaP.11 ~ MODELOS ARIMAL se ee eee ee 11.1 - Séries Estaciondries. .... . 1.0 11.2 ~ Formas do Modelo ARIMA... 11,3 - Termo Constante no Modelo... su. 11.4 - Modelos Sazonais. . 2. ee 11.5 - Problems... eee eee CAP.12 - CONSTRUGAO DE MODELOS ARIMA... 1a 12,1 - Introdugdo. oe ee ee 12.2 - Identificagdo we. ee 12.3 - Estimagao. ee. ee 12.4 - Verificagdo. ee. ee 12.5 - Modelos Sazonais. - 2... se eae 12.6 ~ Formas Alternativas de Identificagao. . 12.7 - Problems. eee eee ee ee CAP.13 - PREVISAO COM MODELOS ARIMA. . 2... . ae 13.1 - Introdugdo. ee Moveis. 13.2 - Galculo da Previsio de Erro Quadratico Médio Minimo 13.3 - 13.4 - 13.5 - 13.6 ~ Formas Basicas de Previsao...... « Atualizagao das Previsces ss... 0. Intervalos de Confianga. 6. ee ee ee ee Séries Sazonais .. ee ee ee 154 155 157 159 163 166 168 170 173 173 173 174 175 177 180 182 182 185 189 191 191. 195 197 207 213 220 225 229 229 235 238 240 245 247 247 251 268 294 302 314 3u7 323 323 324 326 329 334 335 BIBLIOGRAFIA. -vi- Transformagoes € Previsdes. . + « Exemplos de Aplicagao ss. 1+ + Problemas . - 336 339 347 350 PREFACLO © abjetive deste trabathe & apresentar, de modo siste- matics, oS procedimentos de previsdo para series temporais u- nivariadas. Nao inckudnos, portanto, modelos muttivariados (co- mo modelos de guncdes de trans feréneia,modetos de éntervencao, modefos MARMA), que sexfo objeto de estudo futuro. 0 nlvet do trabathe & introdutinio,destinad aatunes de graduacto de Eotatistica e Areas agins. Poderd, eontudo, ser utilizado om outnas areas com as devédas adaptagGes.. Embora eLementan, o tratamente & rigohoso e sempre que possivel a jus~ tificagto format. de un procedimento @ apresentada. Tivemos a preocupacdy de inckuin um nimero vartado de e- xemplos e estes sa0 desenvolvidos utitizando-se,namaioria das vezes, series temporais reais. Em partiou£ar, as series uti- Lizadas sao séries econimicas brasiteitas, com todas as Limi~, tagGes que tais séries normakmente sdo cofhidas. As partes 1, 2@ 3 sa0 dedicadas acs chamados métodos automaticos de previsdo. Para alguns destes nao existe um tha- tamento estatisticn adequado mas devido ao gato de senem fa- cilmente aplicavers e apresentarom resultades satisfatorios om muitas situacdes, a sua inckusdo & fustigioada. As partes 4 ¢ 5 sao dedicadas a duas metodokogias que tim recebido muita atengdo na ittima década; a parte 4 apre- senta ob modekos de Box & Jenkins e 0 connespondente procedi- * mento de previsao e a parte 5 0 metodo Bayesiano de previsio. Estudos empiricos recentes mostram a grande vantagem do meto- do de Box & Jenkins em neagdo aos demais. A apticacao do mé- todo Bayesiano @ bastante recente ea nao disponibitidade de programas de computador adequados tem side um faton inibidon vvii- - viii - de sua maion dégusde. Anbos o§ m&todos reguerem do usuiiréc un conhecimento gonmal mais sogésticade do que aquete necessaiic para a wtilizacéc des matodes autonétices. A pante 6 do trabatho faz uma comparache dos princkpais metodos de previsdo, como intuito de estabelecen quag (ou quais) dees & (sao) "mais eficiente(s)" em termos de forne- cen mefhores previsoes, seguido afgum oritério fixado. Muitas pessoas contribuinan para que este trabalho fos~ se Levade a bom texno. Queronios extemar nossos aghadecimen- tos: — @ Comlssao Organizadora do 13° Coldquio Brasileiro de Mate~ matica, pelo convite para ministraumos um curso baseado no contelido destas notas; —a@ Francisco A. Pino, por nos fer oferectdo as stries geradas, utitizadas na parte 4° e parte das séries do Apéndice A; —@ Merli Mikael da Costa Neves, por ter Lido os oniginais e@ ter apontado eros e omissdes; ~ a Reinaldo €. Souza e@ Jodo José Farias Neto, por nos Lorem fornecide o prograna de computador regerente ao Netedo Baye- séiano e@ por toda a afuda a nods prestada,atnavés de cartas 2 confertneias; — a Basilio de Braganga Pereira, pox nos ter fornecido, em di- versas acasides, regertncias sobre o Metodo Bayesiano. — a Celso L. Martone, por nos ter fornecido algumas das series econdinicas do Apéndice A, Finakmente, queremos agradecer ao Sr. Joao Baptista Es- teves de Oliveira, pelo magnZhico trabatho de preparacao dos oniginais, especialmente digzceis, dada agrande quantidade de figuras. e tabelas, Sto Paulo, maio de 1981 Pedro Alberto Norettin Clélia Maria de Castro Toloi CAPTTULO + PRELIMINARES 1,1 = CONS IDERAGOES GERAIS Uma série temporal é qualquer conjunto de observa- gdes ordenadas no tempo. S80 exemplos de séries temporais: i} estimativas trimestrais do PNB; ii) valores diarios da temperatura da cidade de Sao Paulo; iii) indices didrios da Bolsa de Valores do Rio de Janeiro; iv) quantidade mensal de chuva na cidade de Avaré; v) valores mensais de vendas de automéveis no Brasil; vi) um registro de marés no porto de Santos. Nos exemplos i) —v) temos séries temporais discretas, enquanto vi) € um exemplo de uma série contiaua. Muitas vezes, uma série temporal discreta é obtida através da amostragem de uma série temporal continua em intervalos de tempos iguais,A. Assim, para analisar a série vi) serd necessario amostra-la (em intervalos de tempo de uma hora, por exemplo}, converten-, do a série continua, observada no intervalo [0,7], digamos, em uma série discreta com N pontos, onde N=-1. Em outros casos, como para séries iv) ou v), temos que o valor da série num da- do instante @ obtido acumulando-se (ou agregando-se) valores em -L intervalos de tempos iguais. Ha, basicamente, dois enfoques usados na andlise de séries temporais. Em ambos, o objetivo é construir modelos ra as séries, com propésitos determinados. No primeiro enfo- que, a andlise & feita no dominio temporal e os modelos propos- tos sao modelos parametricos (com um numero finito de parametros). No segundo, a andlise & conduzida no dominio de {negiiéucias ¢ os modelos propostos sio modelos nao paranétricos, Dentre os modelos paramétricos temos, por exemplo, os modelos ARIMA, que serdo estuados com detalhes nos Capitu- los 10 e 11. No dominio de freqtiéncias temos a andlise espeetral,que tem iniimeras aplicagdes'em ciéncias fisicas e engenharia,eque consiste em decompor a série dada em componentes de freqiién- cia e onde a existéncia do espectto é a caracteristica fundamen- tal. Este tipo de an@lise nao sera estudado nestas notas e pa~ ra detalhes 0 leitor deve consultar Jenkins & Watts (1968), Koopmans (1974) ou Morettin (1979). 1.2 - NOTACAO A definicgao formal de processo estocdstico e série temporal sera dada no Capitulo 2, No momento, para motivar a discuss80, considere 0 exemplo a seguir. Imaginemos que dese- jamos medir a temperatura do ar, de dado local,durante 24 ho- ras; podemos obter um gr4fico semelhante ao da Figura 1.1. Vamos designar por Z(t) a temperatura no instante t (dado em horas, por exemplo). Notamos que, para dois dias di- FIG, 1,1- Temperatura do ar, de dado local, durante 24 horas ferentes, obtemos duas curvas que nfo sido, em geral, as mes- mas. Estas curvas so chamadas trajetérias do processo fisico que esta sendo observado e este (0 processo estocdstico) nada mais 8 do que o conjunto de todas as possiveis trajetérias que po- derfamos observar. Cada trajetéria é também chamada uma série tomporak ou funcdo anostral, Designando-se por. 24) (15) 0 valor da temperatura no instante t=15, para a primeira trajetéria (pri- meiro dia de observacio), teremos um niimero real, para o se- gundo dia teremos outro niimero real, 2°?) (15). Em geral,deno- taremos uma trajetéria qualquer por 243) (t). Para cada t ¢ixo, teremos os valores de uma variavel afeatdnia Z(t), que teré cer- ta distribuic3o de probabilidades. Na realidade, o que chamamos de série temporal, é u- ma pute de uma trajetéria, dentre muitas que poderiam ter si- do observadas, Em algumas situagdes (como em Oceanografia,por exemplo), quando temos dados experimentais, € possivel obser- var algumas trajetérias do processo sob consideragio, mas na maioria dos casos (como em Economia ou Astronomia) ,quando nao & possivel fazer experimentagdes, temos uma sd trajetéria pa- va andlise. Temos referido o parametro t como sendo o tempo, mas a série Z(t) poderd ser funco de algum outro parametro fisi- co, como espago ou volume. De modo bastante geral, uma série temporal poder’ ser um vetor 2(t), de ordem r 1, onde por sua vez, t é@ um ve- tor pxl. Por exemplo, Z(t) =(2Z4(t).2Z,(t),23(t)1', onde as 3 componentes denotam, respectivamente, a altura, a temperatura e a pressado de um ponto do oceano e t =(tempo, latitude, lon- gitude). Dizemos que a série 6 muttivariada (r =3) © mubtidinen- sional (p =3). Como outro exemplo, considere Z(t) como sendo o niimero de acidentes ocorridos em rodovias do Estado de Séo Pau- lo, por més. Aqui, r=lep » com t= (més, rédovia). 1.3 - OBJETIVOS DA ANALISE DE SERIES TEMPORAIS Obtida a série temporal Z(t,),..-,2(ty), observada nos instantes ty,+-+,ty, podemos estar interessados em: a) investigar o mecanismo gerador da série temporal; por exemplo, analisando uma série de alturas de ondas,po- demos querer saber como estas endas foram geradas; b) fazer previsdes de valores futuros da sériesestas po- dem ser a curto prazo, como para séries de vendas,pro- dugZo ou estoque, ou a longo prazo, como para séries populacionais, de produtividade, etc. c) descrever apenas o comportamento da série;neste caso, a construgao do grafico, a verificagéo da existéncia -5- de tendéncias, ciclos e variagées sazonais,a constru- cao de histogramas e diagramas de dispersao, etc. ,po- dem ser ferramentas iiteis ; 4) procurar periodicidades relevantes nos dados; neste caso, a andlise espectral, mencionada anteriormente, pode ser de grande utilidade. Em todos os casos, modeos probabélisticos ou estocdsticos so construidos, no dominio temporal ov de freqiiéncias. Estes modelos devem ser simples e parcimoniosos (no sentido que o ni- mero de parametros envolvidos deve ser o menor possivel)e se, possivel, sua utilizagio nio deve apresentar dificuldades is pessoas interessadas em manipuld-tos. Muitas situagdes om ciéncias ffSicas ,engenharia,ci @ncias biolégicas e sociais envolvem o conceito de séstem di- nimica, caracterizado por uma série de entada X(t), uma série de satda Z(t) © uma fungiio de transgerincia v(t) (Figura 1.2). X(t) v(t) Z(t) FIG. 1.2 - Sistema dinamico De particular importancia so os sistemas Lineates,on-— de a saida @ relacionada com a entrada através de um funcio- nal linear envolvendo v(t). Um exemplo tipico @ 2(t) = J ver)x¢ter). Qa.) a Problemas de interesse aqui sao: a) estimnr a functio de transgeréneéa v(t), conhecendo-se as sé- ries de entrada e saida; b) fazer previsdes da série Z(t), com o conhecimento de ob- servagoes da série de entrada X(t); c) estudar o comportamento do sistema, simufando-se a série de entrada; d) controlar a série de safda Z(t), de modo a trazé-la o mais prdximo possivel de um valor desejado,ajustando- se convenientemente a série de entrada X(t);este con- trole é necessdrio devido a perturbagdes que normal- mente afetam um sistema dinamico. A equacdo (1.1) @ também chamada modelo de fungao de wansferéneia, Para detalhes, a referéncia € Box & Jenkins (1970). 1,4 - ESTACIONARI EDADE Uma das suposigdes mais freqiientes que se faz a res~ peito de uma série temporal é a de que ela & estacionaria, ou seja, ela se desenvolve no tempo aleatoriamente ao redor de u- ma média constante, refletindo alguma forma de equilibrio es- tvel. Todavia, a maior parte das séries que encontramos na pratica apresentam alguma forma de nao estacionariedade. Assim, as séries econémicas apresentam em geral tendéncias,sendo o ca- so mais simples aquele em que a série fiutua uo redor de uma reta, com inclinagio positiva ou negativa (tendéncia linear) - Podemos ter, também, uma forma de nao estacionarie~ dade explosiva, como o crescimento de uma colonia de bactérias. Uma série pode ser estacionaria durante um perfodo muito longo, como a série vi) da segio 1.1, mas pode ser es- -7- taciondria apenas em perfodos muito curtos, mudando de nivel e/ou inclinacio. A classe dos modelos ARIMA, j4 mencionados antes, se- ré capaz de descrever de mancira satisfatdria séries estacio- narias e séries nio estacionarias, mas que nado apresentem com- portamento explosivo. Este tipo de nado estacionaricdade é cha- mado homegéneo; a série pode ser estaciondria, flutuando ao re~ dor de um nivel, por certo tempo, depois mudar de nivel e flue tuar ao redor de um novo nivel e assim por diante, ou entao mudar de inclinag&o, ou ambas as coisas. A Figura 1.3 ilustra esta forma de nao estacionariedade. t FIG. 1.3-Série nao estacionaria quanto ao nivel e inclinagdo Como a maioria dos procedimentos de ‘andlise estatis- tica de séries tenporais supdem que estas sejam estaciondrias, sera necessario transformar os dados originais, se estes nao formam uma série estaciondria. A transformagao mais comum consiste em tomar difenencas sucessivas da série original, até se obter uma série estaciondria. A primeira diferenga de Z(t) @ definida por AZ(t) = 2(t) -2(t-1), (1.2) a segunda diferenga é APZ(t) ACLAZ(t)] = OC2(t)-2(t-1)1, (1.3) ou seja, A®Z(t) = 2(t) -22(t-1) #2 (t-2). qa.4) De modo geral, a n-ésima diferenca de Z(t} é Mace) = aca 1z(e)1. (2.3) Em situagées normais, serd suficiente tomar uma ou duas diferencas para que a série se torne estacionfria.Volta- remos a este assunto mais tarde. 1.5 - MODELOS E PROCEDIMENTOS DE PREVISAO Vimos que um modelo é uma descricgdo probabilistica de uma série temporal e cabe ao usuario decidir como utilizar este modelo tendo em vista seus objetivos. Na segao 1.3 vimos quais sao os principais objetivos ao analisar uma série tem- poral. 0 propdsito destas notas € estudar certos procedimentos ou métodos de previsio. Embora estas duas palavras irfo ser u- sadas livremente no texto, o termo "método" no @ de todo cor- reto. Segundo Priestley (1979), "ndo ht algo chamado "método" de previsdo ou algo chamado "método" de previsao ARMA (ou Box- Jenkins). Ha algo chamado método de previsao de “"minimos qua- drados", e este, de fato,fornece a2 base para virtualmente to- dos os estudos tedricos”. Além disso, "todos os "métodes" de previsdo sao simplesmente diferentes procedimentos computacio- nais para calcular a mesma quantidade, a saber, a preVisfo de ie -9- minimos quadrados de um valor futuro a partir de combinagées lineares de valores passados". Um modelo que descreve uma série nao conduz, neces~ sariamente, a um procedimento (ou formula) de previsdo. Sera necess4rio especificar uma funcdo perda, além do modelo, para se chegar ao procedimento. Uma fungao perda que é utilizada freqiientemente & 0 erro quadn&tico médio, embora em algumas oca- sides, outros critérios ou fungdes perdas sejam mais apro- priados. Suponhamos que temos observagées de uma série tem- poral até o instante t e queiramos prever o valor da série no instante t+h (Figura 1.4). FIG. 1.4-Observacdes de uma série temporal com previsdes de origem t e horizonte h Diremos que t & a orégem e 2,(h) & a proviso de Z(t+h), de onigem t e horizonte h. O erro quadratico médio de previsio & BLZ(tth)-2,(h) 1?. (1.6) Entao, dado o modelo que descreve a série temporal até o instante t e dado que queremos minimizar (1.6), obtere- mos uma farmita nara 7 Hy - 10 - Etimologicamente (mae e videxe], a palavra previsdo su- gere que se quer ver uma coisa antes que ela exista.Alguns au- tores preferem a palavra ptedigiv, para indicar algo que deve- yA existir no futuro. Ainda outros utilizam o termo projegio. Nestas notas, iremos usar consistentemente a palavra previsao, com 0 sentido indicado acima. f£ importante salientar que a previsdo ndo constitui um fin em si, mas apenas um meio de fornecer informagées para uma conseqtiente tomada de decisdes,visando a determinados ob- jetivos. Os procedimentos de previsao utilizados na pratica variam muito, podendo ser simples e intuitivos ou mais quan- titativos ¢ complexos. No primeiro caso pouca ou nenhuma and- lise de dados € envolvida, enquanto que no segundo caso esta andlise pode ser consideravel. ’ Em Economia ha dois procedimentos predominantes: e- conométrico e de séries temporais. No primeiro, o analista se baseia fortemente na teoria econdmica para construir um mode- lo, incluindo muitas variaveis, enquanto que no segundo nao ha esta limitagio, dado que o estatistico deixa "os dados fala~- rem por si" para’construir seu modelo, estando mesmo prepara- do para usar um modelo que ndo se harmonize com a teoria eco- ndmica, desde que produza previsdes superiores. Neste trabalho nos restringiremos aos procedimentos estatisticos de previs’o de séries temporais, ou seja, a pro- cedimentos que conduzem a uma equac&o de previsdo obtida di~ retamente dos dados disponiveis, sem recorrer a uma possivel -1ll- teoria subjacente. Contudo, parece razoavel adotar um enfoque hibrido, pois tipicamente, os procedimentos econométricos e de séries temporais produzem previsées de qualidades compardveis (Ash- ley & Granger (1979)). 1.6 - TRANSFORMAGOES Ha,basicamente, duas razdes para se transformar os dados originais: estabilizar’a variancia e tornar 0 efeito sa- zonal aditivo (ver Capitulo 4). £ comum em séries econdmicas a existéncia de tendéncias e pode ocorrer um acréscimo da va- riancia da série (ou de suas diferengas) 4 medida que o tempo passa. Neste caso, uma transformagao logarftmica pode ser a- dequada. Entretanto, Nelson (1976) conciuiu que transformagSes nao melhoram a qualidade da previsao; Makridakis & Hibon (1979) verificaram que os dados transformados tém pouco efeito na me- lhoria da previsao e, sob bases mais tedricas, Granger § New- bold (1976) mostram que as previsdées dos anti-logaritmos dos dados transformados séo estimadores viciados ¢ deveriam, por- tanto, serem ajustados, mas isto néo 6 feito nos principais programas de computador, o que significa que depois que os da~ dos so transformados, um vicio & introduzido nas previsées, decorrente de tal transformagdio. Além disso Granger & Newbold observam que a heteroscedasticidade no afeta a adequagio da previsdo, pois ela ndo implica em estimadores viciados, como no caso de regressio niltipla. -12- Quando se tem um conjunto de dados que apresenta um padrao sazonal qualquer, € muito comum fazer um ajustamento sa- zonal dos dados e depois usar um modelo ndo sazonal para se fazer a previsdo. Plosser (1979) analisa este problema e con- clui que “parece ser preferfvel fazer a previso usando dire- tamente o modelo sazonal ao invés de ajustar sazonalmente a série e depois utilizar um modelo nao sazonal". 1.7-ALGUMAS SERIES TEMPORAIS REAIS Nesta secdo vamos apresentar algumas séries que se- vio utilizadas para ilustrar as técnicas a serem desenvolvidas. As observacées de cada série e o respectivo grdfico sao dados no Apéndice A. Série A (Leite): Produg3o de Leite no Estado de Sao Paulo,com- posta de 60 dados medidos mensalmente e com periodicidade aparente de 12 meses; Série B (M1): Meios de Pagamentos no Brasil (= moeda clrculan- te + depdsitos a vista), composta de 120 ob- servagées mensais e com periodicidade aparen- te de 12 meses; Série C (1P1): Fndice de Produto Industrial do Brasil, compos- ta de 139 observagdes mensais e com periodi- cidade aparente de 12 meses; Série D- (Revista): Vendas de uma Revista no Brasi!,composta de 82 observagdes mensals, com periodicidade a- parente de 12 meses; Série E (Ovos}: Pregos médios de Ovos Recebidos pelos Produto- res do Estado de Sa0 Paulo, com 142 observa- gdes mensais com periodicidade aparente de 12 meses 5 -13- Série F (Café): Prego Médio de Café Recebido pelos Produtores do Estado de So Paulo, com 144 observacdes mensais e no sazonal; Série 6 (Energia): Consumo de Energia Elétrica no Estado do Es~ pirito Santo, com 14i observagoes mensais e aparentemente nao sazonal; Série (ICV): Tndice de Custo de Vida de S30 Paulo, com 126 observacdes mensais e nado sazonal; Série | (Importagdes): Importagdes feitas pelo Brasil, com 150 observagdes mensais e aparentemente no sazonal; Série J (Fei jo): Precos médios de Fei j3o Recebido pelos Produ- tores do Estado de So Paulo, con 132 obser- servagdes mensais e aparentemente n3o sazonal. 1,8- OBJETIVO £ ROTEIRO Como j4 dissemos, o objetivo do trabalho é apresen- tar os principais métodos de previsao de séries temporais que podem ser divididos em duas categorias: a) automAticos: que sio aplicados diretamente com a uti- lizacgio de um computador; b) no automaticos: exigem a intervengao de pessoal es- pecializado, para serem aplicados. Dos métodos utilizados,o de Box & Jenkins mereceu en- foque maior que os demais, por sua recente e ampla divigacio, dificuidade de aplicacdo (nao autom&tico) e aparente superio- vidade. Para o método Bayesiano, embora a teoria seja desen- volvida de modo geral, a aplicacio serf feita apenas para um caso particular (modelo de crescimento linear), dada a inexis- téncia, até o momento, de programas de computador adequados. ~ 44 - Sera feita uma comparagdo entre os diversos proce~ dimentos, para as séries listadas na segao anterior, com ex- cecio do método Bayesiano, que seré comparado com os demais a~ penas para algumas das dez séries, devido 2 dificuldade men- cionada acima. No Capitulo 2 introduzimos algumas definigdes basi- cas, necessarias para a melhor compreensao do trabalho e apre- sentamos os modelos mais utilizados para séries de tempo. Nos Capitulos. 3-e 4 apresentamos o modelo classico que consiste em decompor uma série temporal em componentes de tendéncia, sa~ zonal e aleatéria, devido & sua utilidade, notadamente em E- conomia. Os Capftulos 5, 6 e 7 trazem os prin ipais métodos de alisamento exponencial ¢ nos Capitulos 8 e $ s&o desenvol- vidos 0s modelos de auto-regressao. A metodologia de Box § Jenkins 6 discutida nos Ca- pitulos 10, 11, 12 e 13, o Filtro de Kalman no Capitulo 14 ¢ 0 Mé- todo Bayesiano no Capitulo 15, Finalmente, nos Capitulos 16 e 17 sao feitas comparacdes entre os métodos- : Os programas utilizados no decorrer do trabalho fo- vam: a) PDQ, ESTIMATE e FORECAST, do Econometric Software Pa- ckage (ESP), para o método de Box & Jenkins. b) MCL-EM, apresentado em Farias Neto (1980), para o mé- todo Bayesian c) uma montagem do programa O2R do Biomedical Computer - 15 = Package (BMD), para o método de Regressao: 4) programas apresentados em Silva (1975), com algumas no- dificagées, para os métodos adaptativos; e) programas especialmente désenvolvidos para os demais métodos ; £) BMD-O2T, para avaliar possiveis periodicidades das sé- vies, através da andlise espectral. 149 - PROBLEMAS 1. Classifique as séries a seguir (discreta ou continua multivariada ou multidimensional). Especifique Z(t) ,t, T, ps a) indices diarios da Bolsa de Valores do Rio de Ja- neiro, de janeiro de 1960 a dezembro de 1970; b) registro de marés no porto de Santos,através de um aparelho medidor (marégrafo), durante 30 dias; ¢) medidas da pressao uterina e pressio sanguinea de uma mulher durante o parto; d) niimero de ocorréncias de meningite por més e por municipio de SGo Paulo; e) medidas das trés componentes de velocidade de um fluxo turbulento (como 0 oceano) durante certo in~ tervalo de tempo. 2. Considere a série temporal abaixo. a) Faca o grdfico da série; ela & estacionaria? b) Obtenha‘a primeira diferenga da série e faca o gra- fico correspondente; a diferenca é estaciondria? ~ 16 = c) Mesmas questées de b) para a segunda diferenga. Produto Interne Ano -Beuto do Brasil 1964 27.614 1965 44.073 1966 63,746 1967 86.171 1968 122.430 1969 161.900 1970 208.306 197 276.807 1972 363.167 1973 498.307 1974 719.519 Dados em milkées de Cruzeiros. FONTE: Boletim do Banco Central, dez. 1976. 3. Considere a Série A do Apéndice A: producaio de leite no Estado de Sao Paulo. a} A série @ estacionaria? b) Obtenha 42, ¢ ALS estas séries sio estacionirias? 4. Considere a Série G do Apéndice A: Consumo de Energia Elétrica no Estado do Espirito Santo. a) A série @ estaciondria? Tem tendéncia? b) Considere a série diferengada A2,; 6 estaciondria? ¢) Tome agora log Z,; a série & estacionaria? d) Investigue se a série Alog Le é estaciondria ou no. 5. Responda as questées a)~d) do Problema 4 para a série abaixo: Exportagoes de suco concentrado de laranja 1970 15 | 1973 64 | 1976 101 | 1979 432 1971 35 | 1974 60 | 1977 177 | 1980 460 1972 41 | 1975 82 | 1978 333, Dados em US$1.000.000 FONTE: Revista Veja, n 468, Fev, 1981, -@- CAPITULO MODELOS PARA SERIES TEMPORAIS 2.1 ~ INTRODUGAO Os modelos utilizados para descrever séries tempo- vais sao processos estocdsticos, isto €, processos controla- dos por leis probabilfsticas. : Qualquer que seja a classificagio que fagamos para os modelos de séries temporais, podemos considerar um niimero muito grande de modelos diferentes para descrever 0 comporta- mento de uma série particular. A construgao destes modelos de- pende de varios fatores, tais como o comportamento do fendme- no ou o conhecimento a priori que temos de sua natureza e do objetivo da anlise. Na pratica, depende, também, da existén- cia de métodos Stimos de estimagao e da disponibilidade de pro- gramas ("software") adequados. . Como veremos em segdo posteriores, nas aplicacées em- Piricas, os tipos de modelos para séries temporais, para os quais existem procedimentos Stimos de estimacdéo, s4o em nime- ro limitado e estZo longe de serem os melhores. 2.2~-PROCESSOS ESTOCASTICOS No cap{tulo anterior introduzimos informalmente a no- -17- - 18 - cdo de processo estocdstico ou fungo aleatéria. Vamos dar,a- gora, a definigio precisa. DEFINIGAO - Seja T um conjunto arbitrario. Um processo estocas- tico & uma familia 2 ={Z(t),teT}, tal que, para cada téT, Z(t) é uma varidvel aleatéria. Nestas condigées, um processo estocdstico & uma fa- nilia de variaveis aleatdrias (v.a.), que suporemos definidas num mesmo espago de probabilidades (9,A,P). 0 conjunto T é nor- malmente tomado como 0 conjunto dos inteiros Z={0,21,42,...} ou o conjunto dos reais R. Também, para cada téT, Z(t) sera uma v.a. real. Como, para t@T, Z(t) € uma v.a. definida sobre 2, na realidade 2(t) € uma fungdo de dois argunentos,2(t,w) ,teT wé2. A Figura 2.1 ilustra esta interpretacao de um processo esto- castico. FIG. 2.1-Um processo estocéstico interpretado como uma familia de variaveis aleatérias. ~ 19 - Vemos, na figura, que para cada t€T, temos uma v.a. Z(t,wW), com uma distribuigdo de probabilidades;é possivel que a fungdo densidade de probabilidades (f¢p) no instante t, se~ ja diferente da fap no instante t,, para dois instantes t, e tz quaisquer, mas a situagdo usual € aquela em que a fdp de Z(t,w) € a mesma, para todo téT. » Por outro lado, para cada w6 fixado, obteremos uma fungio de t, ou seja, uma realizacdo ou trajetdnia do processo, ou ainda, uma s&<éa tomporat. Vamos designar as realizacées de 2(t,w) por 24) (ty, 2) (t), etc. 0 conjunto de todas estas trajetérias é chamado o “ensemble”. Observemos que cada realizacao 2°5) (t) & uma fun- Ho do tempo t no aleatéria e para cada t fixo 24) ¢t) @ um nimero real. Una maneira de encarar a distribuigo de proba~ bilidades de Z(t,w), para um t fixado, € considerar a propor- cao de trajetérias que passam por uma "jancla" de amplitude A. Tal proporcao seré £(z)+d, se £(2) é a fdp de Z(t,w). Ver Fi- gura 2.2. FIG, 2.2-Um processo estocastico interpretado - 20 = O conjunto dos valores {Z(t),t€T} € chamado espace dos estados, E, do processo estocastico, e os valores de Z(t) sio chamados estados. Se o conjunto T for finito ou. enumeravel, como T = = {1,2,...,N} du T=Z, o processo diz-se com pardmetro discrete. Se T for um intervalo de R obtemos um processo com patimetro continu. 0 espago dos estados, E, também pode ser discreto ou continuo. No primeiro caso,’Z(t) pode representar uma con- tagem, como por exemplo, o niimero de chamadas telefénicas que chegam a uma central durante um perfodo de duas horas. No se- gundo caso, Z(t) representa uma medida que varia continuamen- te, como temperatura, voltagem, altura de ondas, etc. Em nossas consideragdes futuras teremos para estudo uma série temporal 2°J)(t) (uma realizagio de um processo es- tocdstico), que denotaremos simplesmente Z(t) e observagses feitas em instantes discretos e equiespacgados no tempo ,que de- notaremos 2; ,2),+++;2y ou,entdo, Z,, t=1,2,.+.,Ns 2.3-ESPECIFICAGAO DE UM PROCESSO ESTOCASTICO Sejam t,,t),..+,t, elementos quaisquer de T e con- sideremos F(Zyseeesty peers ty) = P{Z (ty) szy see iZ(tq)seqhe (20) Ent&o, o processo estocastico Z={Z(t),t€T} estara especificado se conhecermos as désinibuigées ¢inito-dinensionais (2.1), para todo n21. Isto significa que, para n=1, nds co- nhecemos as distribuigdes uni-dimensionais da v.a. zt), t eT, -21- para n=2, nés conhecemos as distribuicées bi-dimensionais da Vea. (Z(t,).2Z(ty)), ty,t,€T, e assim por diante.As funcdes de distribuigdo (f.d.) (2.1) devem satisfazer as duas condicées seguintes: 4) (Condigo de Simetria) para qualquer permutagio j,,.. vodqr dos indices 1,2,...,n, temos . ) FE(2y sees s2ystzseeest,) (2-2) di) (Condig&io de Compatibilidade) para m

    Você também pode gostar