Você está na página 1de 3

Larissa Souuza Lima – Notes: Séries Temporais (Processos Estocásticos):

As inferências estatísticas só ganham validade quando seus resíduos pertinentes a tal


série temporal forem estacionários. As séries não estacionárias não têm média e variância
constante ao longo do tempo, diferente das séries estacionárias.
Ex: PIB: Geralmente é uma série estacionária

 Capítulo 2 (Rodrigo Bueno): Objetivo do capítulo é estudas as propriedades estatísticas dos


processos estocásticos e reconhecer quais restrições devem-se impor sobre uma série
temporal.

Os processos autorregressivos são muito importantes porque definem se uma série


temporal estocástica é “estável”, estacionária. Um processo autorregressivo estacionário
possui coeficientes que fazem Yt flutuar ao redor de uma dada média, isto é, Yt não
explode.
Obs: A esperança não depende de informações passadas, mas apenas da distribuição da
variável aleatória Yt.

Autocorrelação:

Autocorre = Autocovar/ Var


Estacionaridade:
Se nem a esperança nem a autocovariância dependem do tempo, então Yt, a série, é
fracamente estacionária. Média e variância são sempre iguais ao longo do tempo em séries
fracamente estacionárias.
Quando estritamente estacionária, os momentos populacionais, quando existirem, serão
independentes de T.
Visualmente, observa-se estacionaridade se uma série flutua em torno de uma média
fixa e se a variância da série é constante ao longo do tempo. Atenção ao teste de raiz
unitária.

Ruído Branco:
Um processo fundamental das séries temporais estocásticas discretas é o ruído branco.
Uma sequência Et é um ruído branco se cada valor nela tiver média zero, variância constante e
não for correlacionado a qualquer realização da própria série (autocorrelação igual a zero).

Analogia do autor: Pensar no rádio e nas interferências do rádio. O rádio ainda funciona, as
interferências não são triviais, isto porque, é um ruído branco!
Médias Móveis:
Médias Móveis de Ordem 1:

Uma vez que Yt depende do erro contemporâneo, Et e do erro imediatamente passado,


Et-1, então o processo é chamado de médias móveis de ordem 1 e denotado como MA (1). Se o
processo dependesse de Et-2
Yt = u + Et + Et-1 + @Et-2 , este seria um processo MA (2).
No cotidiano, média móvel pode ser a média de vendas de 12 meses. Contudo, aqui, o
processo de média móvel está sempre associado aos erros do modelo. Os pesos poderão ser
diferentes conforme a importância das observações passadas, em contraposição aos pesos
idênticos do exemplo cotidiano das vendas.
Analisando uma estacionaridade:

Esperança de Yt

Variância

Covariância

Autocorre