Escolar Documentos
Profissional Documentos
Cultura Documentos
NMEC/SUEP | IBRE
(nmec.ibre@fgv.br)
Fevereiro de 2015
1. Introdução .........................................................................................................5
2. Possibilidades de Ajuste Sazonal ......................................................................6
2.1 Dummies Sazonais ...................................................................................6
2.2 Holt-Winters ..............................................................................................6
2.3 Modelos Estruturais ..................................................................................6
2.4 TRAMO/SEATS ........................................................................................7
2.5 X11 / X12-ARIMA......................................................................................7
3. Metodologia do X13-ARIMA-SEATS .................................................................8
3.1 Verificação de sazonalidade .....................................................................8
3.2 Pré-ajuste ............................................................................................... 10
3.3 Ajuste Sazonal ........................................................................................ 15
3.4 Diagnósticos ........................................................................................... 16
4. Métodos de ajuste para séries agregadas ....................................................... 17
5. Métodos de Agregação ................................................................................... 18
6. Políticas de Revisão ........................................................................................ 20
7. Estudo de Caso .............................................................................................. 21
7.1 Análise exploratória ................................................................................ 22
7.2 Ajuste Sazonal ........................................................................................ 25
8. Análise fora da amostra para estabilidade dos fatores sazonais ..................... 37
9. Conclusões e trabalhos futuros ....................................................................... 40
10. Referências ..................................................................................................... 40
11. Núcleo de Métodos Estatísticos e Computacionais ......................................... 42
Dessa forma, precisa-se de uma ferramenta adequada que consiga remover essa
componente (a sazonalidade). A remoção da sazonalidade de uma série temporal é chamada de
ajuste sazonal ou dessazonalização. Diversos órgãos de estatística relevantes, como IBGE, Eurostat,
NIER e BLS, aplicam métodos sofisticados que permitem um ajuste sazonal de qualidade. É o caso
do software X12-ARIMA com sua nova versão já disponível, o X13-ARIMA-SEATS.
Esta nota técnica tem como objetivo principal o estudo de metodologias de ajuste sazonal
bem como sua aplicação. Com essa finalidade, esta fica dividida em mais seis seções. Na seção 2,
relata-se as principais possibilidades de ajuste sazonal encontradas internacionalmente. Dentre todas
as possibilidades, foi escolhido o software X13-ARIMA-SEATS. Na seção 3, há uma descrição do
software o X13-ARIMA-SEATS como, por exemplo, quando foi criado e como funciona teoricamente.
Na seção 4, são discutidos os métodos de ajuste direto e indireto, utilizados quando se ajusta uma
série temporal que tem origem ao agregarem-se outras séries. Na seção 5, são apresentados os
métodos utilizados para a agregação das séries temporais já ajustadas. A seção 6 trata das políticas
de revisões das séries temporais, que se referem ao que deve ser feito quando novas informações
estão disponíveis, e discute as vantagens e desvantagens de cada uma. E por fim, nas seções 7 e 8,
há um estudo de caso aplicado à Sondagem da Indústria de Transformação (FGV/ IBRE), no qual é
feito o ajuste sazonal e suas análises de adequação e, também, uma análise fora da amostra para a
estabilidade dos fatores sazonais.
1A equipe NMEC agradece a todas as pessoas que contribuíram para execução desta nota técnica,
em especial a Paulo Picchetti, Aloisio Campelo, Tabi Thuler, Sarah Piassi e Juliana Carneiro.
2.2 Holt-Winters
O método de suavização de Holt-Winters (HW) pode ser utilizado em séries temporais que
apresentam um padrão de comportamento com componentes de tendência e de sazonalidade, muito
encontradas nas séries históricas econômicas. HW é muito utilizado pela facilidade de entendimento
e aplicação não dispendiosa. As desvantagens da aplicação do método são as dificuldades em
determinar os valores apropriados de alguns parâmetros do modelo (as constantes de suavização) e
a impossibilidade e/ou dificuldade de estudar algumas estatísticas como, por exemplo, a média e a
variância da previsão, o que implica na construção de intervalos de confiança para a previsão
(Morettin & Toloi, 2006). Um exemplo de aplicação do método de suavização de Holt-Winters pode
ser encontrado em Rasmussen (2004).
No método Dainties, o ajuste é obtido através de uma regressão por janela móvel. Para dados
trimestrais os componentes da regressão são: constante, tendência temporal, a tendência temporal
ao quadrado, tendência temporal ao cubo e três dummies sazonais. Os parâmetros estimados que
correspondem às dummies sazonais são usados para remover os padrões sazonais da série
temporal. O método Danties tem uma boa execução para séries que possuem sazonalidade
determinística, que não são as séries de estudo desta nota (Fok, Franses, & Paap, 2005).
2.5 TRAMO/SEATS
TRAMO (Time Series Regression with ARIMA Noise, Missing Observations and Outliers) e
SEATS (Signal Extraction in ARIMA Time Series) são programas desenvolvidos por Victor Gomez e
Agustin Maravall do Bank of Spain (Gómez & Maravall, 1997). Ambos os programas foram
estruturados para serem desenvolvidos juntos. O TRAMO pré-ajusta a série removendo diversos
efeitos determinísticos a partir de um modelo de regressão com processo ARIMA. O SEATS executa
o ajuste sazonal. Os dois programas são utilizados intensivamente por agências econômicas,
incluindo o European Central Bank e a Eurostat (European Commission Grant, 2007).
O programa de ajuste sazonal X11 foi desenvolvido pelo U.S. Bureau of the Census em 1965
2
(Shiskin, Young and Musgrave, 1967). Utiliza, basicamente, filtros de médias móveis para estimar as
componentes de tendência e sazonalidade, porém acarreta problemas com o início e o fim da série
temporal pela baixa qualidade de filtros assimétricos, além de requerer um grande número de
revisões. Em 1980, Estella Dagum do Statistics Canada desenvolveu o X11-ARIMA que permitia a
extensão do início e do final das séries temporais através de um modelo ARIMA (Dagum, 1980). O
método reduziu o número de revisões. Em meados de 1990, o X12-ARIMA foi implementado pelo
U.S. Bureau of the Census possibilitando grandes melhorias ao X11-ARIMA (Findley & Hood, 1998).
A principal foi a inserção de variáveis regressoras (regARIMA) que podem afetar o comportamento da
série temporal como, por exemplo, quantidade de dias úteis e feriados, e o tratamento de outliers. O
X12-ARIMA era e ainda é utilizado em diversos órgãos internacionais além do U.S. Bureau of the
Census, como, por exemplo, o IBGE no Brasil (2010), Eurostat na Europa (2009), The Office for
National Statistics no Reino Unido (2007), Statistics Canada (2014).
2
Existem outras metodologias que também utilizam filtros de médias móveis, como, por exemplo, STL (Cleveland et al, 1990).
Nas seções 3.2 e 3.3, explica-se como pode ser feito o pré-ajuste e o ajuste sazonal,
respectivamente, no entanto, é importante destacar que antes de dar início a essas etapas, sugere-se
que sejam executados alguns testes para verificar a presença de sazonalidade na série temporal,
uma vez que não se deve ajustar sazonalmente uma série que não apresenta sazonalidade
identificável. O ajuste inapropriado ou de baixa qualidade pode implicar em resultados errôneos e,
possivelmente, afetar a credibilidade do indicador (ESS Guidelines on Seasonal Adjustment, 2009).
A Eurostat sugere aplicação de testes estatísticos, que estão implementados no X13-ARIMA-
SEATS, para verificar a presença de sazonalidade em uma série temporal, como, por exemplo, o
Teste de Friedman, indicado por Fs na figura 1 e descrito a seguir. A partir da combinação dos
diversos testes é possível concluir se existe ou não sazonalidade na série.
Teste de Friedman
O teste de Friedman (Friedman, 1937) é um teste não paramétrico que busca identificar
diferenças entre blocos para diversos tratamentos de uma amostra. É um teste alternativo à Análise
de Variância quando não é possível assumir que os dados vêm de uma população normalmente
distribuída. No contexto de uma série temporal mensal, os meses são considerados “tratamentos”, e
os anos são considerados “blocos”. Se houver sazonalidade, espera-se que as médias de, pelo
menos, dois meses tenham diferença significativa, isto é, ao longo dos anos é verificado que pelo
menos dois meses possuem comportamentos diferentes. A estatística de teste FD, formulada a
seguir, é calculada fazendo-se uma ordenação por rank (postos) dentro de cada bloco (mês).
k
12
FD
bk (k 1) j 1
R.2j - 3b(k 1 )
Onde:
b é o número de blocos (anos);
k é o número de tratamentos (meses);
R é a soma dos postos do j-ésimo tratamento (mês).
.j
Ao concluir que existe sazonalidade na série temporal de interesse, inicia-se a etapa de pré-
ajuste.
3.2 Pré-ajuste
Alguns eventos atípicos e/ou não sazonais como, por exemplo, efeitos do calendário, greves,
catástrofes, entre outros, podem afetar o padrão sazonal da série temporal e, consequentemente,
gerar um ajuste de qualidade inferior. O tratamento desses eventos deve ser feito, se necessário. A
esse tratamento dá-se o nome de pré-ajuste (Eurostat, 2014).
O tratamento de variáveis de calendário pode ser feito a partir do modelo regARIMA,
implementado no software X12-ARIMA. Este é uma combinação de um modelo de regressão linear
com um modelo ARIMA (modelo autorregressivo integrado de médias móveis). Se variáveis
regressoras não são usadas, o modelo se reduz a um modelo ARIMA apenas. Na parte da regressão
linear, são incluídas variáveis que podem afetar a sazonalidade presente na série temporal, por
exemplo: trading days, working days, holidays, outliers, entre outros. Tais variáveis são explicadas a
seguir. O tratamento adequado dessas variáveis pode melhorar a qualidade do ajuste final caso seja
verificado que as mesmas afetam o comportamento da sazonalidade presente na série temporal. Um
exemplo da aplicação de ajuste sazonal a partir do X13-ARIMA-SEATS com a utilização de trading
days pode ser encontrado em Livsey, Pang, & McElroy (2014). A definição das variáveis de
calendário é dada a seguir.
a) Trading Days (TD): Refere-se à quantidade de cada dia da semana em um mês qualquer (ou
trimestre) a cada ano. Por exemplo, suponha a tabela a seguir com a distribuição de dias da semana
para o mês de janeiro em quatro anos.
Geralmente, cada dia da semana ocorre quatro vezes em um mês. Às vezes, um dia extra,
dependendo do dia da semana, pode ter um efeito significativo, principalmente para as séries
temporais em que a atividade diária depende do dia da semana, como produção industrial,
construção, Produto Interno Bruto, comércio e etc.
Trading days são afetados por feriados. Em caso de um feriado cair em um dia da semana, ele
é contabilizado como domingo, pois espera-se que a atividade de um feriado seja similar a de
domingo.
b) Working Days (WD): Pode ser considerado como uma versão mais simples do Trading Days.
Distingue entre dias úteis e finais de semana. Esse efeito pode ser significativo se a série temporal
em questão tem níveis de comportamento diferentes quando se comparam os dias úteis e os fins de
semana. A tabela a seguir ilustra a distribuição dos dias para quatro anos no mês de janeiro.
c) Leap Year: O ano bissexto refere-se ao ano que possui um dia adicional no mês de fevereiro.
d) Moving Holidays: Moving Holidays são feriados móveis, isto é, feriados que caem em diferentes
dias ou meses de ano em ano. Por exemplo: Páscoa, Carnaval e Corpus Christi. Os feriados móveis
podem afetar uma atividade econômica não somente na data em que ele cai, mas também antes e
depois dela.
e) Outliers: Além dos efeitos de calendário, é possível o tratamento de eventos inesperados que
afetam o comportamento da série temporal, conforme dito no início da seção. Exemplos desses
eventos são: greves, desastres naturais, crises econômicas e manifestações, entre outros eventos
sociais, econômicos ou ambientais. Esses eventos são tratados como outliers (valores atípicos ou
extremos) e afetam o ajuste negativamente, influenciando na qualidade da previsão e na estimação
i. Additive Outlier (AO): O outlier aditivo afeta apenas uma observação. É modelado por:
1, para t t 0
AOtt0 (1)
0, para t t 0
A Figura 2 ilustra um outlier do tipo AO.
ii. Level Shift (LS): O outlier do tipo LS provoca uma mudança no nível da série temporal. É
modelado por:
1, para t t0
LStt0 (2)
0, para t t0
3
Outros tipos de outliers podem ser encotrados na seção 4 de X13-ARIMA-SEATS Reference Manual Accessible HTML
Output Version, 2013.
iii. Temporary Change (TC): O outlier do tipo TC provoca uma mudança temporária no nível da
série temporal. É modelado por:
0, para t t0
TCtt0 t t (3)
, para t t0
0
Depois da identificação das variáveis, é feito o teste de significância das mesmas. Variáveis
não significantes devem ser excluídas do modelo.
Modelo ARIMA
Yt X t Z t (4)
Onde:
𝑌𝑡 é a série temporal;
𝑋𝑡 é a matriz de variáveis de regressão (trading days, working days, holidays, etc);
𝛽 é um vetor coluna de parâmetros para cada variável de regressão;
𝑍𝑡 é o processo ARIMA.
Adequação do Modelo
a) Significância dos parâmetros: Os parâmetros das variáveis inseridas no modelo precisam ter
significância estatística; usualmente considera-se o nível de 5% de significância. Caso um parâmetro
de alguma variável de regressão não seja significativo no modelo, esta deve ser tirada e o modelo
deve ser reestimado.
b) Normalidade: Os resíduos devem seguir distribuição normal com média zero e variância
constante. Esta propriedade pode ser verificada através de testes estatísticos: Teste de Jarque-Bera
(Jarque-Bera Test, 1980), Teste de Doornik-Hansen (Doornik & Hansen, 1994) ou Teste de Shapiro
Wilk (Shapiro Wilk Test, 1965).
c) Independência: Os valores dos resíduos no tempo presente não devem ter alguma relação com
seus valores passados. Esta propriedade pode ser testada pelos testes de autocorrelação de Box-
Pierce (Box-Pierce Test, 1970) ou de Ljung-Box (Ljung & Box, 1978).
Uma vez identificada a componente sazonal e feito o pré-ajuste, é possível ajustar a série
sazonalmente. O programa X13-ARIMA-SEATS pode realizar o ajuste de duas formas: através do
X11 ou através do SEATS. Ambas as formas podem ser escolhidas pelo usuário.
O método X11 (Shiskin, Young and Musgrave, 1967) utiliza médias móveis para decompor a
série temporal em três componentes: tendência-ciclo (doravante tendência), sazonalidade e irregular.
A decomposição pode ser aditiva ou multiplicativa; sendo que a multiplicativa se torna aditiva a partir
da transformação logarítmica. O programa usa dois tipos diferentes de médias móveis com o
propósito de estimar a tendência e a componente sazonal. Primeiro, a componente de tendência é
removida e, em seguida, a sazonalidade.
O critério de escolha para os filtros de tendência, estimada a partir dos filtros de Henderson
(Findley et al., 1998) é baseado no tamanho relativo entre as variações das componentes irregular e
de tendência. Para os filtros sazonais, no tamanho médio relativo entre os movimentos das
componentes irregular e sazonal de todos os meses ou trimestres (European Commission Grant,
2007). Ambos os critérios para o tamanho dos filtros são feitos de forma automática pelo programa,
no entanto, é permitido ao usuário especificá-los.
Feita a decomposição da série temporal a partir do método X11, a série dessazonalizada é
estimada. No caso de um modelo aditivo, a série sem sazonalidade é obtida subtraindo-se a
componente sazonal da série original. Já no caso de um modelo multiplicativo, a série com ajuste
sazonal é obtida dividindo-se a série original pela componente sazonal estimada.
3.3.2 TRAMO/SEATS4
Como visto na seção 2.4, TRAMO/SEATS foram desenvolvidos por Victor Gomez e Agustin
Maravall do Bank of Spain (Gómez & Maravall, 1997). Ambos foram estruturados para serem
desenvolvidos juntos. O TRAMO pré-ajusta a série removendo diversos efeitos determinísticos a
partir de um modelo de regressão com ARIMA erros. É similar ao regARIMA visto anteriormente. O
SEATS executa o ajuste sazonal.
4
A metodologia básica é descrita em Gómez e Maravall (1992, 1994, 1996, e 2001a) e Gómez, Maravall e Peña (1999).
3.4 Diagnósticos
Diagnóstico QS: O teste estatístico QS tem o objetivo de detectar sazonalidade nos dados. É
aplicado aos dados originais, aos dados corrigidos por valores extremos, aos dados
dessazonalizados, aos resíduos do modelo ARIMA na fase do pré-ajuste e à componente irregular.
Em séries temporais longas (pelo menos 7 anos), também é aplicado aos três últimos anos. A
hipótese nula do teste é que não existe sazonalidade na série temporal.
Diagnóstico SI ratio: O SI ratio é a série temporal apenas com as componentes de sazonalidade (S)
e irregular (I), em outras palavras, é a série original sem a tendência-ciclo. O gráfico SI ratio é uma
ferramenta útil para analisar o comportamento dos fatores sazonais periodicamente (mensal ou
trimestral). Se foi feito um ajuste sazonal de qualidade, espera-se que os SI ratios acompanhem os
fatores sazonais, caso contrário há indícios que a componente irregular domina a série temporal, e
esta não foi decomposta apropriadamente. Neste caso, sugere-se o uso de um filtro de médias
móveis mais curto do que o escolhido automaticamente, se a opção utilizada foi o X11. A seguir, um
a) Método Direto: o ajuste é feito apenas sobre a série já agregada, ou seja, primeiro ocorre a
agregação das séries temporais e, em seguida, a dessazonalização da série resultante.
b) Método Indireto: o ajuste é feito, individualmente, em cada série temporal que compõe a série
final de interesse e, em seguida, é feita a agregação das séries dessazonalizadas.
Os principais trabalhos sobre sazonalidade não apresentam evidência teórica ou empírica que
indique uma preferência clara de um método em detrimento do outro em um contexto geral. Contudo,
questões subjetivas devem ser consideradas em cada caso. Estudos empíricos mostram que não há
grande diferença entre os dois métodos (Eurostat, 2014), principalmente, quando todas as séries que
compõem a série final, ou pelo menos as séries com maior importância (peso) na agregação,
possuem sazonalidade identificável.
O método direto pode proporcionar maior transparência e precisão, por exemplo, no caso em
que o indicador é mais bem conhecido e compreendido do que suas componentes. Já o método
indireto é indicado quando as séries temporais que compõem a série agregada têm padrões muito
distintos, pois assim é possível uma atenção mais específica para cada série resultando em um pré-
ajuste mais eficaz. Isso ocorre, uma vez que cada série temporal pode ser influenciada por efeitos
5. Métodos de Agregação
Diversas séries temporais têm sua origem a partir da agregação de outras séries temporais.
Nesse caso, é importante analisar o impacto da volatilidade e nível de um dos indicadores na série
agregada. Nesta seção, serão apresentados três principais métodos de agregação que são,
largamente, utilizados. São eles: (i) Média Aritmética Simples; (ii) Inverso da Volatilidade, e (iii)
Padronização. Todavia, apenas o método de Padronização será utilizado no estudo de caso deste
documento.
i. Média Aritmética Simples: Nesse método, em cada tempo t, é feita a média aritmética simples
de todas as séries temporais, no entanto, caso alguma série temporal possua alguma
importância maior na formação da série agregada, é mais indicada uma média ponderada.
X t
i
(5)
Zt i 1
n
ii. Inverso da Volatilidade: Nesse método, é aplicada uma média ponderada. Cada série temporal
tem o peso inversamente proporcional à sua volatilidade. Assim, quanto mais volátil é a série,
menos peso a mesma recebe.
Primeiro, as séries são padronizadas para terem média zero e desvio padrão um:
X ti X
Yt
i
(6)
SD i
Onde:
T
Xi
t 1 t
X
T
T
( X ti X ) 2
SD i t 1
T 1
𝑡 = 1, 2, . . . , 𝑇.
Yt i Ft j
Ft i Pj (7)
X ti
n
Fi
i 1 t
Zt i 1 P i X ti
n
(8)
Onde:
T
Pi
t 1 t
P i
T
iii. Padronização: Nesse método, a série agregada surge como reparametrização para os
parâmetros da média e do desvio-padrão. A nova média passa a ser 100 e o desvio-padrão, 10.
Primeiro, as séries são padronizadas para terem média zero e desvio padrão um:
X ti X
Yt i (9)
SD i
Onde:
t 1 X ti
T
X
T
T
( X ti X ) 2
SD i t 1
T 1
𝑡 = 1, 2, . . . , 𝑇.
Em seguida, a série Z t agregada é obtida a partir da média ponderada com o respectivo peso
n
wYi
i 1 i t
Zt (10)
i 1 wi
n
Por fim, a série Z t padronizada novamente para ter média 100 e desvio-padrão 10.
Z Z
Z t' t 10 100 (11)
SZ
Z ti
T
Z t 1
T
t 1 (Z ti
T
Z )2
SZ
T 1
𝑡 = 1, 2, . . . , 𝑇.
É importante ressaltar que método (i) está sujeito à influência causada por nível e flutuações de
alguma série específica, uma vez que pondera todas as séries com o mesmo peso. Por outro lado, o
método (iii) apresenta vantagem em relação ao método (ii), pois corrige possíveis distorções entre
flutuações e nível de forma menos invasiva e mais inteligível, além disso, o método (iii) permite que
as séries sejam ponderadas com relação ao sua importância no agregado final.
6. Políticas de Revisão5
Quando novas informações se tornam disponíveis, o ajuste sazonal dos dados deve ser refeito,
no entanto, um dado novo pode alterar todos os valores da série temporal ajustada se comparada
com o ajuste anterior sem essa nova informação. Dessa forma, nesta seção, discutem-se os quatro
métodos de revisão de uma série temporal. Segundo Glossary of Statistical Terms (OECD), revisão
refere-se a qualquer mudança no valor de uma estatística já publicada por algum instituto oficial de
estatística. Existem quatro tipos de revisão (ESS Guidelines on Seasonal Adjustment, 2009):
O valor do ICI em cada período permite avaliar o grau de aquecimento da atividade industrial:
se o índice se encontra acima de 100, está acima da média histórica do período 1996-2005,
refletindo, portanto, satisfação do setor industrial com o estado dos negócios e/ou otimismo em
relação ao futuro. Analogamente, para valores abaixo dessa referência, configura-se uma situação de
insatisfação/pessimismo (FGV/IBRE, 2014).
Para obter o ICI com ajuste sazonal, serão utilizados os métodos direto e indireto. No método
direto, todas as séries que compõem o ICI serão agregadas e por fim, a série resultante será
ajustada. No método indireto, cada uma das séries que compõem o ICI serão ajustadas pelo método
direto, com exceção da série NDG (método indireto), nesta as séries NDE e NDI serão ajustadas e
agregadas para formar a série NDG com ajuste sazonal. Por fim, obtidas as séries com ajuste
sazonal, estas serão agregadas e resultarão no ICI com ajuste sazonal.
Esse estudo de caso está dividido da seguinte forma: primeiro, será feita uma análise
exploratória das séries temporais, pela qual se revelam indícios de existência de sazonalidade e
6
Para informações mais detalhadas sobre a Sondagem da Indústria, acesse o Portal IBRE da FGV (http://portalibre.fgv.br).
7 Inverso da volatilidade, ver seção 5.
Nesta seção, são visualizadas medidas estatísticas que buscam descrever o comportamento
dos dados para as séries temporais de interesse relatadas anteriormente.
Cada série temporal que compõe o ICI possui média e desvio-padrão consideravelmente
diferentes, vide tabela 4, sendo Nível de Demanda Externa e Nível de Estoques as únicas com
8
médias inferiores a 100 (pessimismo).
ICI NDG NDI NDE NdE SAN PrP EmP TdN NUCI
Média 103,12 103,9 106,6 92,71 95,45 110,80 124,76 110,83 138,08 83,82
Desvio-
Padrão 10,87 13,96 15,21 11,43 4,94 15,77 16,87 12,30 18,87 1,96
Fonte: NMEC.
No gráfico 1, com exceção da Produção Prevista (PrP), todas as séries que compõem o ICI
sugerem uma quebra estrutural, em outras palavras, apresentam variações no nível e flutuações
irregulares ao longo do tempo. É notável, também, que, no período que antecede a crise econômica,
no final de 2009, há um crescimento na expectativa da atividade industrial, entretanto, ao longo do
tempo, percebe-se um decrescimento em grande parte das séries.
8
NUCI é uma série mensurada, então sua interpretação não é a mesma para as demais séries no estudo.
Fonte: NMEC.
No gráfico 2, pode-se analisar o nível de cada série histórica ao longo dos meses do ano. O
Nível de Estoque (NdE), por exemplo, apresenta, relativamente, a mesma média (linha vermelha) em
todos os meses, com os níveis de janeiro e dezembro apresentando maior variação (linha preta). De
forma oposta, a Produção Prevista (PrP) possui magnitudes de variações semelhantes em todos os
meses, porém os meses de abril a setembro possuem níveis de expectativas maiores do que os
meses restantes.
Conforme a análise exploratória (seção 7.1), acredita-se que o método indireto pode fornecer
um ajuste sazonal mais adequado, uma vez que as séries temporais possuem comportamentos
diferentes. Para efeito de comparações, serão executados os métodos direto e indireto. Este exemplo
inicia-se pelo método direto, no qual o ICI sem ajuste sazonal foi obtido agregando-se as séries
temporais que o compõem (mencionadas no início da seção 7) por meio do método de padronização,
detalhado na seção 5. Em seguida, realiza-se o método indireto. Após a finalização do ajuste sazonal
em cada uma das séries, estas são agregadas também, pelo do método de padronização.
Como primeiro passo, é necessária a confirmação de que a série temporal possui
sazonalidade detectável. Inicialmente, foi aplicado o teste de raiz unitária Augmented Dickey-Fuller,
ADF (Dickey & Fuller, 1979) para confirmar se as séries são estacionárias ou não devido a
tendências determinísticas ou estocásticas (raiz unitária). Os resultados podem ser vistos na tabela 5.
Como foram encontradas raízes unitárias em grande parte das séries, tomou-se a primeira
diferença, e foi recalculado o teste ADF, não tendo sido, então, encontrada raiz unitária. Para a série
NDG e NDI, ambas com tendência determinística, o teste ADF foi feito sobre os resíduos obtidos a
partir da série original subtraída da tendência encontrada. Para tanto foi usado um modelo de
regressão linear simples cuja variável explicativa foi o tempo. Note-se, também, que a estatística de
Original Diferenciada
Fonte: NMEC.
Importante ressaltar que algumas conclusões a respeito do teste de Friedman são diferentes
quando se comparam os resultados para as séries originais e diferenciadas, como, por exemplo, para
a série NDE. Considerando nível de significância de 0,1%, o mesmo assumido pela Eurostat - sendo
este mais rigoroso no que concerne a séries temporais que não deveriam ser ajustadas-, apenas as
séries NDI, SAN, PrP, EmP, TdN e ICI poderiam ser dessazonalizadas. Ocorre que, ao considerar
5% de significância, além das séries anteriores, a série NDG, também, poderia ajustada. Neste
documento, é considerado o nível de 5% de significância.
Em uma análise mais profunda do teste ADF, foi visto que nem todos os resíduos dos modelos
ajustados possuem variância constante. Nesse caso o teste pode fornecer conclusões inadequadas.
Dessa forma, aplicou-se também o teste de Phillips-Perron (Phillips & Perron, 1988). A conclusão do
teste foi diferente para as séries NDG e NDI, nas quais foram encontradas raízes unitárias em vez de
tendência determinística, como no teste ADF; porém o teste de Friedman confirmou a existência de
sazonalidade nas séries temporais. Também houve diferença de conclusão para a série NdE, na qual
o teste de Phillips-Perron encontrou raiz unitária, contrariamente ao teste ADF. Assim, o teste de
Friedman executado na série NdE diferenciada forneceu p-valor de 0,019, concluindo-se que a série
apresenta sazonalidade ao nível de significância de 5%.
9
A série NDG sem tendência determinística foi obtida a partir dos resíduos do modelo de regressão linear simples.
10
A série NDI sem tendência determinística foi obtida a partir dos resíduos do modelo de regressão linear simples.
Por meio do teste de Friedman visto na tabela 6, foi detectada sazonalidade identificável na série
histórica do ICI ao nível de confiança de 95%, concluindo-se que o ajuste sazonal pode ser realizado.
O ICI utilizado nesse primeiro exemplo foi obtido através da agregação das seis séries que o
compõem pelo método de padronização. Os resultados estão a seguir.
11
Foi modelado um ARIMA(0 1 0)(1 0 1)12 pelo programa NMEC_AS . Este segue as
especificações vistas na tabela 7. Três outliers foram detectados pelo programa. Todos são
explicados pela crise econômica nos meses finais de 2008 e têm significância estatística.
De acordo com o teste de Ljung-Box, os resíduos não são autocorrelacionados. Além disso, o
teste fornecido pelo X13 pela estatística QS indica que não foi encontrada sazonalidade na série
ajustada, nas séries dos resíduos do modelo e no componente irregular. Conclui-se, dessa forma,
que o modelo segue os pressupostos necessários vistos na seção 3.1. O gráfico do ICI com ajuste
sazonal pode ser visto a seguir.
Fonte: NMEC.
11
Programa de ajuste sazonal desenvolvido pelo NMEC que utiliza o X13-ARIMA-SEATS implementado no software R.
Fonte: NMEC.
Método Indireto
12
A seguir, considera-se o ajuste individual para cada uma das séries que compõem o ICI, a
começar pelo Nível de Demanda Global.
Foi modelado um ARIMA(0 1 0)(1 0 1)12 pelo programa. Este segue as especificações vistas na
tabela 8. Três outliers foram detectados pelo programa. Embora não tenha sido encontrada
justificativa teórica para inserção do outlier Level Shift em maio de 2006, preferiu-se deixá-lo, por ter
influenciado, positivamente, a qualidade do ajuste.
12 Em nenhuma das séries foram inseridos efeitos de calendário devido à falta de justificativa teórica e/ou estatística.
Fonte: NMEC.
Fonte: NMEC.
Pelo gráfico 6, pode-se ver que os fatores sazonais se alteram de um mês para outro,
confirmando-se a sazonalidade na série temporal. Além disso, esses fatores sazonais acompanham
bem os SI ratios, concluindo que não há sazonalidade no componente irregular.
Foi aplicado o teste de Friedman na série com ajuste sazonal, não tendo indicado sazonalidade
(p-valor = 0,9976). Por meio do teste da estatística QS, fornecida pelo X13, conclui-se, ademais, que
a sazonalidade foi removida da série temporal e que não há resquícios nos resíduos do modelo,
Mesmo concluindo, pelo emprego do teste de Friedman, que a série NDE poderia ser ajustada,
o X13-ARIMA-SEATS não considerou a série com componente de sazonalidade. Logo, a série não foi
ajustada.
Foi modelado um ARIMA(0 1 2)(1 0 1)12 pelo programa NMEC-AS. Este segue as
especificações vistas na tabela 9. Assim como em NDG, um outlier, em maio de 2006, foi detectado e
mantido, por melhorar a qualidade do ajuste.
Fonte: NMEC.
Fonte: NMEC.
Pelo gráfico 8, pode-se ver que os fatores sazonais se alteram de um mês para o outro,
confirmando a sazonalidade na série temporal. Além disso, esses fatores sazonais acompanham bem
os SI ratios, concluindo-se que não há sazonalidade no componente irregular.
Foi aplicado o teste de Friedman na série com ajuste sazonal, não tendo indicado sazonalidade
(p-valor = 0,9963). Por intermédio do teste da estatística QS, fornecida pelo X13, conclui-se, também,
que a sazonalidade foi removida da série temporal e que não há resquícios nem nos resíduos do
modelo, nem no componente irregular. Assim, considera-se esse ajuste sazonal para a série de Nível
de Demanda Interna (NDI) adequado.
Mesmo concluindo, pelo emprego do teste de Friedman, que a série NdE poderia ser ajustada,
o X13-ARIMA-SEATS não considerou a série com componente de sazonalidade. Logo, a série não foi
ajustada.
Mesmo concluindo, pelo emprego do teste de Friedman, que a série SAN poderia ser ajustada,
o X13-ARIMA-SEATS não considerou a série com componente de sazonalidade. Logo, a série não foi
ajustada.
Foi modelado um ARIMA(2 0 0)(0 1 1)12 pelo programa NMEC-AS. Este segue as
especificações vistas na tabela 10. Apenas um outlier foi detectado pelo programa; refere-se ao mês
de dezembro de 2005. Apesar de não ter sido encontrada justificativa teórica para inserção desse
Additive outlier, preferiu-se deixá-lo, por ter influenciado, positivamente, a qualidade do ajuste.
Fonte: NMEC.
Fonte: NMEC.
Pelo gráfico 10, pode-se ver que os fatores sazonais se alteram de um mês para outro, sendo
todos bastante estáveis, com uma exceção: o outlier encontrado em dezembro de 2005.
Foi aplicado o teste de Friedman na série com ajuste sazonal, que não indicou sazonalidade
(p-valor = 0,9998). Pelo teste da estatística QS, fornecida pelo X13, conclui-se, também, que a
sazonalidade foi removida da série temporal e que não há resquícios nos resíduos do modelo,
tampouco no componente irregular. Assim, considera-se esse ajuste sazonal para a série de
Produção Prevista (PrP) adequado.
Foi modelado um ARIMA(2 1 0)(0 1 1)12 pelo programa. Este segue as especificações vistas na
tabela 11. Nenhum outlier foi detectado. Como, ao final, o ajuste revelou-se de boa qualidade, não
houve necessidade de inserir algum outro com referência à crise de 2008.
Com exceção do primeiro AR não sazonal, todos os parâmetros do modelo são significativos,
os resíduos não são autocorrelacionados de acordo com o teste de Ljung-Box e seguem distribuição
normal. A seguir, o ajuste sazonal e o gráfico dos fatores sazonais (FS) vistos, respectivamente, nos
gráficos 11 e 12.
Fonte: NMEC.
Fonte: NMEC.
Da análise do gráfico 12, pode-se perceber que os fatores sazonais se alteram de um mês para
outro e todos são bastante estáveis, assim como ocorreu em Produção Prevista.
Foi aplicado o teste de Friedman na série com ajuste sazonal, não tendo apontado
sazonalidade (p-valor = 0,96). O teste da estatística QS, fornecida pelo X13, permitiu a conclusão de
que a sazonalidade foi removida da série temporal e de que não há resquícios nem nos resíduos do
modelo, nem na componente irregular. Assim, considera-se esse ajuste sazonal para a série de
Emprego Previsto (EmP) adequado.
Mesmo concluindo, pelo emprego do teste de Friedman, que a série TdN poderia ser ajustada,
o X13-ARIMA-SEATS não considerou a série com componente de sazonalidade. Logo, a série não foi
ajustada.
Feito o ajuste nas séries que possuíam sazonalidade e agregando-as, obtém-se o Índice de
Confiança da Indústria (ICI) dessazonalizado pelo método indireto. A agregação foi feita pelo método
da padronização. Foram cooptadas as séries com e sem ajuste sazonal.
Fonte: NMEC.
Com a série do ICI ajustada sazonalmente, é possível concluir, por exemplo, que, no início de
2014, houve um leve decrescimento da expectativa enquanto que a série original indicava um
crescimento.
No gráfico a seguir, encontra-se a comparação entre os métodos de ajuste direto e indireto
para o Índice de Confiança da Indústria.
Gráfico 14: Comparação entre Índice de Confiança da Indústria (ICI) com ajuste
sazonal direto e indireto – out/2005 a nov/2014.
Fonte: NMEC.
Nota-se a diferença sútil entre os métodos, havendo mudança de interpretação entre alguns
meses em que o método direto indica crescimento, e o indireto, decrescimento, contudo em pequena
escala. O MAPE para a diferença entre essas séries é de 0,0088; considerado pequeno.
Nesta seção, propõe-se o ajuste das séries temporais até dezembro de 2010 e, em seguida, a
previsão dos fatores sazonais para os 12 meses seguintes, com o intuito de comparar a diferença
entre a série ajustada final com os dados previstos até dezembro de 2011 (cor amarela) e a série
ajustada final com os dados originais (série revisada). Isso será feito para os anos de 2010, 2011,
2012, 2013 e 2014.
Gráfico 15: Comparação entre a série prevista e a série revisada para o Nível
de Demanda Global (NDG) – out/2005 a nov/2014.
Fonte: NMEC.
Gráfico 16: Comparação entre a série prevista e a série revisada para o Nível de
Demanda Interna (NDI) – out/2005 a nov/2014.
Fonte: NMEC.
Gráfico 17: Comparação entre a série prevista e a série revisada para Produção
Prevista (PrP) – out/2005 a nov/2014.
Fonte: NMEC.
Gráfico 18: Comparação entre a série prevista e a série revisada para Emprego
Previsto (EmP) – out/2005 a nov/2014.
Fonte: NMEC.
Gráfico 19: Comparação entre a série prevista e a série revisada para o Índice de
Confiança da Indústria (ICI) – out/2005 a nov/2014.
Fonte: NMEC.
10. Referências
Box-Pierce Test. (1970). "Distribution of Residual Autocorrelations in Autoregressive-Integrated Moving Average
Time Series Models", Journal of the American Statistical Association.
Canada, S. (2014). Statistics Canada Quality Guidelines. Fonte: Statistics Canada:
http://www.statcan.gc.ca/pub/12-539-x/2009001/seasonal-saisonnal-eng.htm
Cleveland, R. B., Cleveland, W. S., McRae, J. E., & Terpenning, I. (1990). STL: A Seasonal-Trend Decomposition
Procedures Based on Loess. Journal of Official Statistics.
Dagum, E. B. (1980). The X11-ARIMA Seasonal Adjustment Method. Statistics Canada, Ottawa.
Dickey, D. A., & Fuller, W. A. (1979). Distribution of the Estimators for Autoregressive Time Series With a Unit
Root. Journal of the American Statistical Association, 74.
Doornik, J. A., & Hansen, H. (1994). An Omnibus Test for Univariate and Multivariate Normality.
European Commission Grant. (2007). Seasonal Adjustment Methods and Pratices.
Eurostat. (2009). ESS Guidelines on Seasonal Adjustment. Methodologies and working papers, Eurostat -
European Comission.
Eurostat. (2014). Calendar effects. Acesso em 08 de 2014, disponível em Seasonal Adjusment: http://www.sa-
elearning.eu/calendar-effects-0
Eurostat. (2014). Pre-treatament. Fonte: Seasonal Adjustment: http://www.sa-elearning.eu/pre-treatment-0
Eurostat. (2014). Seasonal Adjustment. Fonte: E-learning Courses: http://www.sa-elearning.eu/
Eurostat. (2014). Seasonality tests. Fonte: Seasonal Adjustment: http://www.sa-elearning.eu/seasonality-tests
FGV/IBRE. (2014). Sondagens e Índices de Confiança. Fonte: Portal IBRE: http://portalibre.fgv.br/
Findley, & Hood. (1998). New Capabilities and Methods of the X-12-ARIMA Seasonal Adjustment Program.
Journal of Business and Economic Statistics, 16.
Findley, Monsell, Bell, Otto, & Chen. (1998). New Capabilities and Methods of the X-12-ARIMA Seasonal
Adjustment Program. Journal of Business and Economic.
Fok, D., Franses, P. H., & Paap, R. (2005). Performance of Seasonal Adjustment Procedures: Simulation and
Empirical Results. Econometric Institute Report.
Friedman, M. (1937). The Use of Ranks to Avoid the Assumption of Normality Implicit in the Analysis of Variance.
Journal of the American Statistical Association, 32.
Gómez, V., & Maravall, A. (1997). Programs TRAMO and SEATS; Instructions for the User. Working.
Harvey, A., & Shephard, N. (1993). Structural Time Series Models. In: Handbook of Statistics (Vol. 11). Elsevier
Science Publishers B.V.
IBGE. (Novembro de 2010). Nota Técnica - Aperfeiçoamento do Ajuste Sazonal. IBGE.
Jarque-Bera Test. (1980). Efficient tests for normality, homoscedasticity and serial independence of regression
residuals. Economic Letters.
Koopman, S. J., Harvey, A., Doornik, J., & Shephard, N. (2009). Structuural Time Series Analyser, Modeler, and
Predictor. Timberlake Consultants.
Livsey, J., Pang, O., & McElroy, T. (2014). Effect of Trading Day Regressors on Seasonal Adjustment of Growth
Rates . CSRM Research Report.
Atividades:
Equipe responsável pela NT (Métodos de ajuste sazonal para séries de Business Tendency:
um estudo de caso para a Sondagem da Indústria utilizando o método X13-ARIMA-SEATS):